引言
电动汽车和便携式电子产品的快速增长推动了全球对储能技术需求的日益增加，使锂成为一种关键的战略金属。随着锂离子电池（LIBs）在这些应用中持续占据主导地位，开发高效的回收技术已成为确保资源安全和最大限度减少初级锂提取与加工所带来环境影响的必要条件（Islam and Iyer-Raniga, 2022, Neumann et al., 2022, Top et al., 2026）。在现有的回收方法中，生物湿法冶金作为一种有前景、环保且经济高效的替代方案脱颖而出。通过利用嗜酸性微生物（如Acidithiobacillus ferrooxidans和Acidithiobacillus thiooxidans）的代谢活动，生物浸出在比高能耗火法冶金或严苛化学湿法冶金温和得多的条件下溶解金属（López-Martínez et al., 2025, Mousavi et al., 2025, Shokri et al., 2025）。这种微生物方法具有低碳足迹和减少试剂消耗的优势，使其成为从电池正极可持续回收锂的领先候选技术（Gu et al., 2025, Jing et al., 2024）。然而，尽管具有环境和能源方面的优势，该方法仍受限于反应动力学缓慢、高金属浓度下的微生物抑制、放大困难以及在变化原料条件下维持稳定性能的挑战（Dash et al., 2025, Panda et al., 2026）。这些局限性可能降低工艺通量和经济竞争力，凸显了改进过程控制以及系统优化微生物和操作条件的必要性。
除了这些实际限制外，由于微生物动力学与物理化学条件之间存在复杂的、多变量的非线性相互作用，生物浸出过程本身也难以预测和优化。该过程的效率对停留时间、pH波动以及能量源（特别是元素硫和亚铁离子）初始浓度的同步性高度敏感，这些因素驱动了浸出剂的代谢活性（Naderi and Mousavi, 2024, Petersen, 2023, Salda?a et al., 2023）。这些因素还受到矿浆浓度和溶解金属竞争性抑制的进一步影响，形成了一种难以放大的微妙生化平衡（Naderi and Mousavi, 2024）。电池化学体系的多样性进一步加剧了这种操作复杂性，从钴酸锂（LCO）和锰酸锂（LMO）到镍锰钴（NMC）和磷酸铁锂（LFP），这需要进行对比提取研究，以阐明特定正极材料对微生物作用的响应方式（Biswal and Balasubramanian, 2023, Jing et al., 2024）。解读这些机制对于开发能够应对不断演变且日益复杂的电池废物流的适应性回收框架至关重要。
近年来，机器学习（ML）通过识别大型多维实验数据集中的模式，展现出阐明复杂化学和生物过程的变革性潜力。传统的统计方法（如响应面法RSM）往往难以表征此类系统的动态特性，而先进的机器学习架构在捕捉这种复杂性方面表现出卓越的预测能力（Mokarian et al., 2022）。在此背景下，人工神经网络（ANNs）是预测生物浸出系统中金属提取最常用的工具之一（Abdollahi et al., 2019, Annamalai and Gurumurthy, 2020, Vyas et al., 2020）。支持向量机（SVM）也成为生物浸出研究中常用的机器学习算法（Naaz et al., 2024, Ruhatiya et al., 2021, Zhang et al., 2022）。更具体而言，近期一些研究利用统计和基于机器学习的方法来优化或建模LIB浸出。有研究采用支持向量回归（SVR）结合单纯形算法来优化废LIBs的真菌生物浸出（Ruhatiya et al., 2021）。其他研究采用RSM来优化LIB生物浸出的微生物菌群和操作条件（Alipanah et al., 2023, Rautela et al., 2026）。最近，机器学习方法也被应用于化学LIB浸出，包括将预测建模与初步环境和经济评估相结合的框架（Nogueira et al., 2026），以及基于ANN的方法来建模Co、Ni和Mn的绿色浸出动力学（Motasim et al., 2026）。这些研究展示了数据驱动和统计方法在LIB浸出方面的日益增长的潜力；然而，它们通常集中在特定的浸出系统、统计优化、动力学分析或过程层面评估上。
尽管取得了这些进展，但在将机器学习应用于微生物锂生物浸出方面仍存在一个关键研究空白。特别是，对于细菌种类、正极化学体系和多个操作变量如何共同影响锂生物浸出性能，以及如何从数据驱动模型解读它们之间的相互作用，关注仍然有限。以往的研究通常强调预测或优化单个系统，而不是在单一框架内结合模型解释、跨微生物种类和正极化学体系的分析以及多目标过程优化。此外，迄今为止大多数基于机器学习的生物浸出研究都集中在Cu、Mo和Mn等金属上，而专门用于揭示锂生物浸出行为的数据驱动框架仍然有限。
鉴于微生物锂提取的固有复杂性和非线性动力学特性，本研究提出了一个机器学习框架，用于对跨不同电池化学体系和微生物系统的生物浸出过程进行建模、解释和优化。首先，系统评估了多种回归算法，以确定最稳健的锂提取预测模型。随后，将所选模型与模型解释技术相结合，包括排列特征重要性、个体条件期望（ICE）分析和交互映射，以揭示操作变量的相对重要性和耦合效应。此外，该框架用于比较不同微生物种类和电池化学体系的生物浸出性能，并与非支配排序遗传算法II（NSGA-II）集成，以建立在锂回收率和过程效率之间取得平衡的工程操作窗口。总体而言，该框架为理解、比较和优化跨不同LIB化学体系和微生物系统的锂生物浸出提供了一种可解释且可扩展的数据驱动策略。
