机器学习辅助解读硫氧化嗜酸单胞菌生物浸出过程中的界面官团调控与动力学转变

《Process Safety and Environmental Protection》：Machine learning-aided interpretation of interfacial functional-group regulation and kinetic transition in bioleaching by Acidithiobacillus thiooxidans

　　

摘要

从二次资源中提取稀土元素（REEs）有助于缓解稀土供应短缺并降低尾矿堆存带来的环境风险。生物浸出是一种前景广阔且环保的稀土回收策略，但仍面临微生物适应性缓慢和浸出效率不稳定的瓶颈。本研究探讨了硫氧化亚铁硫杆菌（At.t）在生物浸出稀土尾矿过程中的界面特性及其内在调控机制，该过程由生物、化学和物理因素共同决定。首先，通过批次浸出试验，并结合SEM-EDS、3D-EEM、FTIR和XPS分析，研究了生物浸出过程中微生物代谢物与矿物表面之间的界面相互作用。此外，利用CatBoost模型（R2 0.9905）分析了4968组浸出数据集，确定了最佳操作范围：硫添加量为5-10 g/L，液固比（L-S Ratio）为200-600 mL/g，生物浸出pH为2.0-4.0。随后，收缩核心模型分析表明，在pH 2.0-6.0范围内浸出过程以扩散控制为主，而在所有测试的液固比下则以化学控制机制为主。硫的添加显著改变了反应控制途径：硫添加量从0增加至10 g/L，使浸出过程由化学反应控制转变为扩散控制。最后，在优化条件下（pH 2.0，硫添加量5 g/L，液固比200 mL/g）在2 L批次搅拌槽反应器中进行了放大验证。镧（La）、镝（Dy）和钇（Y）的最终浸出率分别为90.65%、93.88%和94.54%。良好的浸出效果验证了该生物浸出策略的技术优势，为后续放大试验提供了理论支持。

引言

稀土元素（REEs）具有独特的光学、电学和磁学特性，使其成为从航空航天工程、电子制造到永磁体生产和新能源应用等关键高科技产业不可或缺的战略原材料（Yan等，2023，Zhong等，2024）。近年来，全球工业化的加速推进导致稀土需求激增，市场规模预计从153.55亿美元扩大到334.64亿美元（Joshi等，2025），这进一步加剧了一次性矿物资源的枯竭。与此同时，稀土从采矿、加工到废弃物处置的全生命周期带来严峻的环境挑战，包括水体污染、生态破坏以及相关放射性物质的扩散，使传统稀土开采日益不可持续（Chen等，2024，Pourhossein等，2022）。因此，从稀土尾矿等二次资源中高效回收稀土已成为缓解资源约束、降低环境影响并实现资源闭环循环的紧迫战略需求（Sun等，2022）。推进尾矿中稀土的回收，不仅能够减少对一次矿石的依赖并增强资源安全，也是推动采矿行业向更绿色、低碳和循环模式转型的关键路径。这种方法对于实现可持续发展和确保高价值资源的战略储备具有双重意义。

目前，从一次矿石和二次固体废物中回收稀土元素（REE）的主要技术包括火法冶金、湿法冶金和生物湿法冶金，其中生物浸出和生物吸附是核心的生物湿法冶金方法（Biswal和Balasubramanian，2023）。尽管火法和湿法冶金技术已得到成熟发展并在工业上广泛使用，但它们存在能耗高、废水排放量大和有毒副产物生成等显著局限，从而阻碍了其清洁和可持续的应用（Chen等，2024）。相比之下，微生物生物浸出凭借优异的环境相容性，已成为一种具有竞争力的绿色技术（Pourhossein等，2022）。该技术依赖于功能微生物（细菌和真菌）及其代谢产物，通过酸化、络合、氧化还原反应和生物吸附，实现稀土元素从固相基质向液相的高效迁移和选择性富集（Vo等，2024）。硫氧化亚铁硫杆菌（At.t）是一种典型的嗜酸性化能自养细菌。该菌株以单质硫和含硫无机化合物为能量来源合成硫酸，硫酸作为有效的生物浸出剂，用于从工业固体残渣和电子废料中提取稀土（Rastegar等，2024）。Chen等人已验证了At.t在稀土浸出方面的强大性能。具体而言，该菌从磷石膏中回收了58%的镧（La）和62%的钇（Y），而从粉碎后的电子废料粉尘中两种元素的回收率均达80%（Chen等，2024），进一步证明了其在生物浸出中广阔的应用前景。

尽管生物浸出具有显著优势，但微生物环境适应性有限和生长周期长可能导致浸出效率不稳定和加工周期延长（Joshi等，2025，Chen等，2025）。浸出效率受生物因素（如At.t的特性）、化学因素（如营养浓度和pH）和物理因素（如液固比）构成的三元体系共同调控（Sethurajan和Gaydardzhiev，2021）。在浸出过程中，溶液pH对微生物生长和群落结构有关键影响，而At.t利用单质硫产生硫酸，液固比则决定传质效率和有毒代谢物的积累（Biswal和Balasubramanian，2023）。因此，本研究系统考察了生物浸出pH、硫添加量和液固比对稀土尾矿提取效率的影响。揭示关键操作参数、At.t代谢活性与浸出反应之间的内在调控关系，可进一步支持工艺放大和生物浸出系统的深入机理研究。

传统的单因素分析和响应面法广泛用于工艺优化，但难以捕捉非线性多变量交互作用（Trivedi和Hait，2023，Alipanah等，2023）。浸出pH、硫添加量和液固比等关键参数与微生物代谢和浸出动力学相互作用，但传统方法无法量化其协同或拮抗效应（Ling等，2025）。相比之下，机器学习（ML）可以对这些复杂关系建模并基于工艺特性预测生物浸出效率。近期研究展示了其应用价值：物理信息神经网络被用于解释动力学机制（Zou等，2023），人工神经网络（ANN）被用于模拟操作条件对金属回收的影响（Abdollahi等，2019），而随机森林（RF）和极限梯度提升（XGBoost）等集成方法则实现了对工业废料浸出率的高精度预测（Kusuma等，2025）。除预测外，机器学习有助于量化关键因素贡献并揭示交互模式，从而回答浸出系统中微生物-环境耦合的核心问题（Jiang等，2024）。近期，Khan等人（Khan等，2026）将等转化率动力学与人工神经网络、K近邻（KNN）和增强回归树相结合，预测低密度聚乙烯热解的活化能，取得了高精度。这种捕捉复杂非线性关系的能力凸显了机器学习在建模生物浸出系统方面的潜力。与热力学系统不同，本研究的生物浸出系统涉及微生物生长和酸的生产，增加了生物学复杂性。Bravo-Gutiérrez等人（Bravo-Gutiérrez等，2026）通过混合现象学-神经网络模型证明了机器学习在铜堆浸中的适用性，进一步支持了数据驱动方法在浸出系统中的可行性。然而，将机器学习应用于尾矿中稀土元素的生物浸出，特别是捕捉微生物-矿物相互作用模式，仍属探索不足。

此外，生物浸出动力学有助于解释浸出机制。收缩核心模型（SCM）是描述湿法冶金过程中非均相固-液反应的成熟框架（Biswal和Balasubramanian，2023）。该模型假设反应从颗粒表面向内推进，未反应核心随反应进行而逐渐缩小（Wang等，2018）。收缩核心模型已被用于模拟磷矿和阴极射线管荧光粉废料中的稀土浸出动力学（Li等，2021，Figueiredo等，2026），其动力学遵循化学反应控制或扩散控制。因此，本研究采用收缩核心模型以阐明稀土释放速率随反应界面推进（即未反应核心径向收缩）的动态变化。应用机器学习与动力学模型对于阐明稀土残留物的浸出过程至关重要。

基于上述观察，本研究的生物浸出过程被认为涉及一种协同机制：胞外聚合物（EPS）相关的表面相互作用，与持续酸化协同作用，可能有助于缓解表面钝化。为应对这些挑战，关键科学问题包括：(1) 环境参数（如生物浸出pH、硫添加量、液固比）如何调控At.t的代谢活性以浸出稀土？(2) 表征技术、机器学习和动力学模型如何揭示生物浸出过程中环境参数、微生物代谢和界面反应之间的相关性？(3) 浸出过程的操作效率如何？为回答这些问题，首先进行了多条件批次实验，以探索不同参数条件下生物浸出性能的演变规律。随后采用先进的显微和光谱表征技术揭示生物浸出的微观界面机制。此外，应用CatBoost机器学习对实验数据集进行多维定量分析。同时采用动力学建模确定限速步骤并揭示浸出过程的基本反应机制。最后进行实验室放大试验，以验证本研究开发的生物浸出方法的技术可行性和操作稳定性。综合而言，这些结果表明，At.t驱动的生物浸出方法用于稀土尾矿的可行性，并为二次资源回收提供了技术参考。

实验片段

稀土尾矿和化学试剂

稀土尾矿样品采集自中国福建省龙岩稀土矿区。在消解和元素分析前，样品自然风干30天，然后筛分收集粒径小于0.075 mm的稀土尾矿粉末。采用酸消解法（HNO?-HF-HClO?）对稀土尾矿进行消解（Luo等，2024）。具体而言，将0.04 g粉末样品置于高压消解罐中。

不同生物浸出pH的影响

以往研究表明，At.t在pH 2-7范围内对还原态硫的氧化效率最佳，但环境pH低于1可能导致细胞代谢抑制（包括碳固定受损和硫代谢紊乱）以及伴侣蛋白失活的风险（Ibá?ez等，2023）。尽管外界pH添加剂可能作用于体系，本研究旨在考察生物浸出pH对生物浸出过程的影响。具体而言，采用不同的生物浸出条件……

结论

本研究通过可控实验室实验，结合三种互补的分析方法，全面阐明了稀土尾矿的生物浸出过程。首先，批次实验结合多技术表征表明，残留物的存在促进了At.t在溶解过程中的胞外聚合物（EPS）分泌，为后续建模的特征选择奠定了理论和机制基础。对4968组浸出数据的定量分析……

CRediT作者贡献声明

Hua Jiahui：撰写初稿、方法论、数据整理。Yuyu Zhang：方法论、调查研究。Wanling Cai：资源、项目管理、方法论。Jinyang Chen：撰写审阅与编辑、监督、调查研究。Zuliang Chen：撰写审阅与编辑、监督、资助获取、概念化。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。

致谢

感谢福建师范大学创新团队培育计划（Y0720414B06）及福建省青年科技人才发展项目（A类，编号2025350816）的资助。

Jiahui Hu|Yuyu Zhang|Wanling Cai|Jinyang Chen|Zuliang Chen