集成机器学习(Ensemble Machine Learning, Stacking)预测锂离子电池生物浸出过程金属回收率

《Results in Engineering》：Ensemble Machine Learning for Metals Recovery Prediction of Lithium Battery Bioleaching Process

　　

本研究证明集成机器学习（Stacking）方法可显著提升废锂离子电池（Spent Lithium-ion Battery, LiB）生物浸出（Bioleaching）过程中金属回收率的预测精度。单一模型预测性能有限，其中极端梯度提升（eXtreme Gradient Boosting, XGBoost）的测定系数（Coefficient of Determination, R2）=88.5%，K近邻（K-Nearest Neighbors, KNN）的R2=66.9%；最优Stacking模型XGBoost-XGBoost达到最高预测精度（R2= 94.9%）及稳健的交叉验证性能（R2= 93.10%）。SHAP（Shapley Additive exPlanations）分析确定矿浆浓度（Pulp Density，最优10%）、初始pH（最优2–3）、粒径及温度为最关键工艺参数。此外，黑曲霉（Aspergillus niger）显著促进锂和铜的回收，氧化亚铁硫杆菌（Acidithiobacillus ferrooxidans）对镍和钴浸出更有效，与其各自不同的生物浸出机制相符。机器学习模型还可用于逆向预测与工艺优化：研究表明，使用氧化硫硫杆菌（Acidithiobacillus thiooxidans）将矿浆浓度从0.5%提高至5%时，模型预测金属回收率由约60%提升至99%。

论文解读：《Ensemble Machine Learning for Metals Recovery Prediction of Lithium Battery Bioleaching Process》

一、研究背景与意义

废锂离子电池（Spent Lithium-ion Battery, LiB）含钴、锂、镍、铜等有价金属，传统火法、湿法冶金能耗高或污染大，生物浸出（Bioleaching）具低能耗、环境友好优势，但受多参数耦合、动力学慢、试验周期长限制难以优化。既往机器学习（Machine Learning, ML）预测生物浸出金属回收率R²多低于90%，且小样本下易过拟合。本研究引入集成堆叠（Stacking）回归框架，结合SHAP（Shapley Additive exPlanations，基于博弈论的特征贡献解释方法）可解释性分析及贝叶斯优化（Bayesian Optimization, BO）逆向预测，旨在突破小样本限制实现高精度预测并量化关键工艺与微生物因子影响，成果发表于《Results in Engineering》。

二、主要关键技术方法

研究人员从已发表文献收集废LiB生物浸出工艺参数与金属回收率数据，原始146条经缺失值剔除与金属回收率四分位距（Interquartile Range, IQR）离群值过滤后得78条有效样本。输入特征含初始pH、温度（T）、粒径（Particle Size）、矿浆浓度（Pulp Density）、微生物种类、培养基、浸出方式、目标金属类型，分类变量独热编码（One-Hot Encoding）。分别构建KNN、支持向量回归（Support Vector Regression, SVR）、XGBoost、人工神经网络（Artificial Neural Network, ANN）单一模型及KNN-XGBoost、SVR-XGBoost、XGBoost-XGBoost、ANN-XGBoost四种Stacking集成模型，超参数用Optuna贝叶斯优化或网格搜索确定，以测定系数（R²）和均方根误差（Root Mean Square Error, RMSE）结合5折交叉验证评估。特征重要性用排列特征重要性（Permutation Feature Importance, PFI）与SHAP分析，逆向工艺优化以训练好前向模型为目标函数、Tree Parzen Estimator（TPE）为代理模型的贝叶斯优化实现，并以独立实验条件验证预测。

三、研究结果

3.1 预测模型（Prediction Models）

单一模型中XGBoost表现最佳（R²=88.5%，RMSE=4.98），KNN为R²=66.9%，SVR（R²=38.9%）与ANN（R²=57.9%）受小样本与非线性映射限制表现较差。Stacking模型中XGBoost-XGBoost达最高R²=94.9%（RMSE=3.31），5折交叉验证R²=93.10%±1.10%；ANN-XGBoost（R²=91.8%）、SVR-XGBoost（R²=88.0%）、KNN-XGBoost（R²=84.6%），其中KNN基模型因预测噪声大致Stacking未优于单XGBoost。表明基模型质量决定Stacking效果，双XGBoost经Stacked Generalization可有效捕捉高阶非线性残差。

3.2 特征分析（Feature Analyses）

PFI与SHAP一致显示影响金属回收率的四大关键参数为矿浆浓度、初始pH、粒径、温度。

—矿浆浓度（Pulp Density）：SHAP依赖图显示10%（数据集上限）具最强正向贡献，较高固含量增大反应比表面积与微生物–氧化剂接触，但超出训练范围（>10%）存毒性抑制风险。

—初始pH：pH 2–3对嗜酸菌（Acidithiobacillus ferrooxidans、Acidithiobacillus thiooxidans）代谢最有利；真菌Aspergillus niger偏好pH 4–6.5，SHAP亦示此区间正向作用。

—粒径（Particle Size）：最小粒径（75 μm）正向SHAP值最大，比表面积增大促微生物附着与浸出剂扩散，过大粒径因内扩散阻力呈负向影响。

—温度（Temperature）：约30–35°C（接近嗜酸菌与真菌最适温）正向，过高或过低抑制微生物活性致回收率下降。

微生物特征SHAP表明Aspergillus niger对Li、Cu回收贡献大（产有机酸介导酸解Acidolysis与络合溶解Complexolysis），Acidithiobacillus ferrooxidans对Ni、Co贡献大（Fe²⁺/Fe³⁺循环间接氧化还原溶解Redoxolysis），Acidithiobacillus thiooxidans仅靠硫氧化产酸贡献较弱。特征消除实验证实全特征集模型R²最高，无冗余可删特征。

3.3 生物浸出机制（Bioleaching Mechanism）

Aspergillus niger分泌草酸、柠檬酸等，Li?经草酸盐介导酸解溶出，Cu²⁺经柠檬酸螯合（符合Irving–Williams稳定性顺序Cu²⁺>Ni²⁺>Co²⁺）络合溶解；Co、Ni因草酸亚稳沉淀及弱柠檬酸络合物致SHAP贡献偏低。Acidithiobacillus ferrooxidans氧化Fe²⁺→Fe³⁺，Fe³⁺化学氧化溶解金属化合物（间接途径）并可表面直接氧化（直接途径），Fe³⁺/Fe²⁺循环催化对Ni、Co溶解关键。Acidithiobacillus thiooxidans仅靠RISC氧化产H₂SO₄酸化，受废LiB浸出液碱性与金属离子抑制，综合贡献最低。

3.4 案例研究（Case study）

设置A（Acidithiobacillus ferrooxidans，矿浆浓度0.5%）预测Li回收率66.90%，实验值66%；设置B（替换为Acidithiobacillus thiooxidans其余同）预测61.17%，实验值60%；贝叶斯优化建议将矿浆浓度调至5%得设置C，预测98.07%，文献独立实验验证99%。证明ML模型可作预筛工具指导参数补偿弱势微生物剂损失，减少试错。

四、讨论与结论总结

研究人员指出模型适用域受训练集参数范围约束（初始pH 1–6，T 22–45°C，粒径75–500 μm，矿浆浓度0.1–10%），外推需实验验证；数据源跨文献存隐性差异；浸出时间因报告不一致未纳入故仅预测终点而非动力学；回收率分布右偏使低回收区覆盖不足；微生物类别编码忽略生理状态。未来需扩充低回收与不同正极体系数据、记录细胞密度/pH/氧化还原电位等生理变量、探索物理信息神经网络（Physics-Informed Neural Network, PINN）及主动学习部署。

结论： Stacking集成（尤以XGBoost-XGBoost）显著提升废LiB生物浸出金属回收率预测（R²=94.9%，CV R²=93.10%）。SHAP解析获关键工艺参数最优区间及微生物选择性：Aspergillus niger利于Li、Cu（酸解/络合），Acidithiobacillus ferrooxidans利于Ni、Co（Fe³⁺氧化还原），Acidithiobacillus thiooxidans贡献较弱。贝叶斯优化逆向预测成功指导参数调整补偿微生物替代所致回收率损失，ML引导迭代可减少传统生物浸出工艺优化试错成本。