基于物理的机器学习在部分回收材料多目标优化设计中的应用：以汽车行业中的橡胶资源为例

《Journal of Cleaner Production》：Physically based machine learning for the multi-objective optimal design of partially recycled materials: The case study of rubber resources in the automotive industry

本研究提出一种结合微机械优化与 Halpin-Tsai 模型的多目标框架，将传统机械性能模型扩展至成本与环境影响评估，通过案例研究验证了轮胎橡胶回收中添加剂优化策略的有效性，为循环材料设计提供可扩展工具。

　　本研究提出了一种创新的微机械优化框架，该框架扩展了传统的Halpin–Tsai模型，从仅关注机械性能到同时考虑成本和环境影响指标，从而实现对回收材料混合物的定量可持续性评估。通过将多种相态的特性纳入模型，该框架建立了回收基体材料、增强添加剂与生命周期和市场指标之间的物理可解释联系，同时保持分析上的可行性。结合物理信息驱动的多目标优化算法，该框架能够识别出最优的添加剂策略，以在经济和监管约束下恢复回收材料的目标性能。以报废轮胎橡胶为案例研究，展示了该模型的预测能力和实际校准的灵活性。所提出的方案为循环材料设计和决策提供了一个透明且可扩展的工具，其潜在应用范围可扩展至其他带有功能添加剂的回收材料系统，例如回收聚合物中的相容剂、金属废料中的合金元素，或建筑废料中的矿物或聚合物掺合料。

回收废弃物资源对于推动可持续性和环境保护至关重要。欧洲委员会提出的“4R”框架，即减少、再利用、回收和恢复，旨在通过将回收材料重新引入生产循环，优化资源使用并减少环境危害，从而构建可持续的经济模式。回收资源涵盖多种材料类别，包括建筑与拆除废料（如破碎混凝土和砖石）、聚合物与塑料（热塑性塑料、热固性塑料）、金属（如铁和非铁废料）以及橡胶废料，尤其是来自轮胎行业的废料。随着车辆数量的增加，轮胎的需求也不断上升，当轮胎不再适合使用时，会被归类为报废轮胎（ELTs）。尽管合理的回收可以将ELTs转化为有价值的材料，例如橡胶，但它们仍然存在环境风险，如垃圾填埋场的过度堆积、火灾隐患以及害虫繁殖等问题。回收材料通常表现出不如原始材料的性能，这限制了它们完全替代原始原料的能力。每个废弃物来源类别在净化和重新引入新产品过程中都面临不同的技术挑战。例如，回收混凝土骨料经常表现出更高的孔隙率、更低的强度以及更弱的界面结合能力；同样，回收塑料在机械回收过程中会经历链断裂、污染和异质性，从而降低分子量和机械强度。对于金属而言，虽然回收技术已经成熟，但合金异质性、微量元素污染以及热力学上的分离限制，使得获得与原始材料相当的纯度变得困难，而现代电子产品废料进一步增加了复杂金属混合物的分离难度。来自ELTs的橡胶碎屑在混合到复合材料中时可能会表现出较差的机械性能，或者在水泥基体中表现出较弱的附着力。因此，尽管回收在环境和资源节约方面具有明显优势，但材料层面的质量损失仍是其在高性能应用中广泛采用的主要障碍。

理想的废弃物回收应旨在在资源转化为产品过程中恢复原始材料的性能，使其能够再次用于相同的应用场景。然而，由于回收资源与原始材料之间存在差异，因此需要精心设计的回收策略。一种有前景的途径是引入增强添加剂，以恢复回收材料的性能。例如，在建筑与拆除废料的回收过程中，如回收混凝土骨料，可以使用纳米二氧化硅、二氧化硅烟雾、粉煤灰或陶瓷粉末等添加剂来优化机械性能、填充孔隙并减少水分吸收。对于回收塑料，添加剂和相容剂有助于提升材料质量，使其接近原始塑料的性能。对于金属废料，合金和工艺添加剂可以缓解杂质影响、减少有害的分离现象并恢复机械性能。对于ELTs的橡胶碎屑，未经处理的回收橡胶通常表现出远低于原始橡胶的性能。硫化通过在橡胶中形成交联，提升了轮胎的性能，但也使回收变得复杂，因为它使得再加工变得困难。为了解决这一问题，通常采用脱硫方法以恢复橡胶的原始形态，使其能够用于新的复合材料。将脱硫橡胶与原始橡胶混合可以作为一种成本效益高的解决方案，但性能差异限制了其在高产量、高要求应用中的使用。为了满足相关标准，引入增强添加剂是必要的。这导致了以橡胶为基础的复合材料的发展，其中（纳米）颗粒可以增强ELTs回收橡胶的性能，使其接近原始材料的性能。然而，尽管增强添加剂具有优势，它们不仅会增加材料和加工成本，还可能增加环境负担（如添加剂制造所需的能源、潜在的毒性以及额外的加工步骤），这可能会部分削弱回收的双重目标：成本降低和环境影响缓解。因此，确定添加剂的最佳使用量是必要的。

提升回收材料系统的另一个关键方面在于优化整个价值链中的工艺，从收集和分类，到回收，再到新产品的集成。文献表明，回收系统中的优化，以及更广泛地在循环经济框架中的优化，本质上是多目标（MO）的，因为这涉及到成本、环境影响（如能源消耗、排放、生命周期评估指标）、物流和收集效率、技术性能（如耐久性、纯度、机械响应）以及社会或监管约束等多方面的权衡。已有研究在回收系统的不同层级上探讨了MO优化。在物流和供应链层级上，MO算法被用于提高区域和全球废弃物流动管理的总体效率，例如ELTs（Aydin et al., 2024; Ghasemzadeh et al., 2021; Kiani Mavi et al., 2023; Casta?eda-Rodríguez and Espinoza Pérez, 2025; Hu et al., 2024）和光伏板（Nili et al., 2021）。在环境层级上，基于生命周期评估（LCA）的指标被整合到MO框架中，以优化ELTs在欧洲回收系统中的分布和处理（Duval et al., 2024）。MO方法也被用于报废产品回收和再制造中的拆卸线平衡（DLB）问题，以解决成本、性能和不确定性等多方面挑战（He et al., 2024）。在材料设计层级上，MO算法被越来越多地应用于优化异质混合物（如复合材料）的组成和性能（例如，部分或完全由回收资源构成的混合物）（Liu et al., 2017）。例如，回收混凝土（Chen et al., 2024; Lu, 2025）、含有废塑料的混凝土（Kantasiri et al., 2024; Islam et al., 2022; Ali et al., 2023; Tanhadoust et al., 2023; Lee and Wong, 2023; Tang et al., 2023; Giri et al., 2023）、橡胶改性沥青（Liu et al., 2018; Zhou et al., 2025; You et al., 2024）以及橡胶–沙复合块（Doddamani et al., 2024）等，已经采用MO优化方法，以选择性地增强特定目标性能。然而，将环境（LCA）和经济目标同时整合到这些MO框架中仍然是一个尚未充分探索的领域。

近年来，机器学习（ML）与MO优化的结合已成为推动可持续材料设计和回收策略的有前景范式。虽然传统的MO优化研究在回收过程中主要依赖于经验或响应面模型，但ML的引入使得在高维、非线性设计空间中进行数据驱动的预测和优化成为可能（Zhang et al., 2020; Dabbaghi et al., 2021; Onyelowe et al., 2022）。大多数现有框架专注于混凝土、聚合物和橡胶基复合材料的材料级优化，其中ML模型作为机械或环境性能的预测代理，指导MO算法识别帕累托最优混合物（Chen et al., 2025; Fan et al., 2024; Wang et al., 2024; Amiri et al., 2022）。例如，ML–MO框架已被用于优化回收混凝土、轻质混凝土和煤废混凝土，这些材料在压缩强度、成本和生命周期指标等竞争性目标之间进行权衡（Dabbaghi et al., 2021; Onyelowe et al., 2022; Fan et al., 2024; Wang et al., 2024）。类似的混合策略也被扩展到其他废料衍生材料，如橡胶填充复合材料（Chen et al., 2025）和热解轮胎产品，其中ML模型被用于预测油或柠檬烯的产量，并指导工艺优化（Qi et al., 2023; Qi et al., 2024）。除了矿物和聚合物系统外，数据驱动的MO优化也被应用于生物回收，例如在塑料解聚过程中选择酶，以平衡催化效率和底物兼容性（Akgüller and Balc?, 2025）。尽管这些混合ML–MO方法日益复杂，但它们仍然主要局限于组件或工艺层面，而未能解决整个循环价值链中的系统性权衡。少数综述和方法论研究已经强调了这一差距，指出需要引入物理信息驱动或知识约束的ML框架，以确保可解释性、可扩展性以及与可持续性目标的一致性（Zou et al., 2025; Zhao et al., 2024; Zhang et al., 2024）。事实上，如果没有明确地将LCA或技术经济标准与ML–MO框架相结合，当前的实施可能会过度拟合性能驱动的目标，而忽视回收系统整体可持续性的评估。通过将领域约束和LCA衍生目标直接嵌入到ML–MO框架中，弥补这一差距，是实现真正智能和循环材料设计的关键步骤。

总的来说，MO优化和ML在回收和循环经济系统中的应用正在不断增长，而大多数研究仍然孤立地使用这些工具，或仅在回收链条的有限层级上进行探讨，重点关注供应链效率、环境性能或材料层面的性能增强。然而，通过增强添加剂来专门针对回收材料系统性能恢复的物理信息驱动ML与MO优化的结合仍然鲜有探索。基于已识别的研究空白，本研究提出了一种通用的、物理信息驱动的框架，用于通过战略添加增强添加剂来优化和提升回收资源的性能。该框架的核心贡献在于基于Halpin–Tsai（H-T）模型的多相扩展，发展出一种半经验的、基于微力学的模型，其中物理可解释的拟合参数通过实验或模拟数据进行校准。与传统的微力学模型不同，该模型系统地整合了添加剂对多个目标函数的影响，包括性能、生产成本和环境影响。扩展的H-T框架能够捕捉目标函数之间的非线性权衡，而不仅仅是线性混合规则。作为一种演示，该方法被应用于从ELTs中回收的橡胶，并通过选择性添加剂进行增强。模型引导的优化展示了如何在实际汽车应用中实现性能与成本之间的适当平衡。因此，该通用框架可以轻松地适应其他回收系统，如废塑料、金属和建筑复合材料，这些系统采用基于添加剂的增强策略以恢复功能性和与可持续性相关的性能。总体而言，该框架提供了一种可转移、数据驱动的方法，用于设计回收材料，以在功能性能、经济可行性和环境可持续性之间取得平衡的妥协。