综述：用于选择性锂回收的碳/LIS 杂化材料：机理、结构-功能关系及机器学习预测综述

《Journal of Environmental Chemical Engineering》：Carbon/LIS hybrids for selective lithium recovery: a review of mechanisms, structure-function relationships, and machine learning prediction

　　

• •
  碳材料增强锂离子筛（LIS）的吸附、选择性和离子传输。
• •
  锂提取涉及吸附、离子交换、传输和电荷转移。
• •
  碳的维度和孔道结构决定结构-功能关系。
• •
  机器学习指导碳/LIS复合材料的结构优化。

引言

全球新能源汽车（NEV）和电化学储能行业的快速增长推动了对锂资源需求的大幅增加。作为现代社会不可或缺的要素，锂在储能、工业制造、玻璃、陶瓷等领域得到广泛应用 [1]。由于其对低碳技术支撑的关键作用，锂已成为推动全球能源转型和实现"双碳"目标的重要战略资源 [2]、[3]、[4]、[5]。

锂资源主要赋存于含锂矿石和盐湖卤水中，如图1所示 [6]。在这些资源中，盐湖卤水约占全球锂储量的72.3% [7]，是具有重要经济潜力的锂资源。锂矿主要由锂辉石 [8] 和锂云母 [9] 组成，约占锂总储量的25% [10]。与卤水型资源不同，矿石型锂资源回收通常需要选矿，再经热处理和浸出，可能涉及大量的能源和试剂消耗 [11]、[12]。尽管海水中含有巨量的锂资源总量，但其极低的锂浓度对锂回收构成巨大挑战 [13]。此外，随着越来越多的锂离子电池达到使用寿命终点，废旧锂离子电池已成为重要的锂二次资源。其高效、环保的回收利用构成了保障锂资源循环供应和减少产业链环境负担的关键途径 [14]、[15]。

目前，工业领域仍主要依赖传统的锂回收技术，如沉淀法 [16]、溶剂萃取 [17]、吸附法 [18]、膜分离 [19] 和蒸发结晶 [20]。锂资源的工业生产主要包括三个核心工序：采选、提纯和沉淀 [21]。然而，卤水成分复杂且镁锂比高，严重制约了锂的高效选择性提取 [22]。此外，传统工艺依赖长期蒸发，受气候和生态条件限制 [23]、[24]。

在基于吸附的技术中，钛基和锰基锂离子筛（LIS）因其对Li⁺的高选择性和可逆离子交换而具有吸引力，近期在表面调控 [25]、[26]、[27]、掺杂 [28]、[29]、[30]、[31] 和成型方面取得的进展进一步提升了其吸附性能和稳定性。然而，颗粒团聚、传质限制、金属溶解和回收困难仍是实际应用面临的重要挑战。为克服这些局限，基于碳的功能材料因具有可调的架构、大的比表面积和优异的结构稳定性，已被广泛用于从盐湖卤水、海水和废旧电池浸出液中回收锂 [32]。特别是，将碳材料与锂离子筛结合可以将碳的结构和传输优势与LIS固有的锂选择性相结合，使碳/LIS复合材料成为选择性锂回收的有吸引力候选材料。其在电化学储能领域近70年的发展历程如图2所示。自1957年双电层电容器（EDLCs）发明以来，碳材料已从石墨和碳纳米管发展到石墨烯和功能多孔碳 [33]。

碳的多变sp¹、sp²和sp³杂化使其能够形成0D、1D、2D和3D纳米结构 [34]。功能修饰进一步改善了其表面性质和润湿性，便于与各种基底整合 [35]。代表性的碳材料包括碳量子点 [36]、碳纳米管 [37]、碳纤维 [38]、石墨烯 [39]、活性炭 [40]、石墨 [41]、碳气凝胶 [42]、多孔碳 [43] 和生物质衍生碳 [44]。在锂提取中，碳材料作为选择性吸附剂、电容去离子（CDI）电极和锂离子筛的载体，增强锂的富集、离子传输和结构稳定性 [45]。然而，其潜在的协同机制和结构-性能关系仍缺乏充分理解。为解决这一复杂性，机器学习为性能预测、材料筛选和合理设计提供了有效途径 [46]、[47]。

因此，本综述从四个方面总结了碳/LIS复合材料在锂提取方面的最新进展：(1) 碳辅助锂提取机制；(2) 碳材料和碳/LIS复合架构的结构-功能关系；(3) 机器学习辅助设计和优化策略；以及(4) 当前挑战和未来发展机遇。通过整合这些方面，本综述突出了机制、材料结构和锂提取性能之间的联系，为碳/LIS复合材料的合理设计提供了指导。

章节摘要

协同锂捕集机制

碳/LIS复合材料的锂提取性能源于碳骨架与锂离子筛之间的协同耦合，而非任一单一组分的贡献。碳材料提供丰富的吸附位点、导电通路和分级孔结构，而锂离子筛通过可逆离子交换确保对Li⁺的高选择性识别。二者的结合通过同时调控实现了高效锂捕集

碳材料：结构-功能关系

在碳/LIS复合体系中，碳材料扮演着超越传统载体角色的多功能角色。其物理化学特征，包括维度、孔道结构、缺陷密度、表面化学和电导率，主导了锂吸附、Li⁺/H⁺交换、离子传输、界面电荷转移以及锂离子筛的结构稳定性。这些结构-功能关系最终决定了锂提取性能。

机器学习辅助材料设计

随着人工智能（AI）的快速发展，机器学习（ML）已成为材料筛选、性能预测和结构优化的有力工具。与依赖大量合成和表征的传统试错方法不同，ML可以从现有数据集中提取材料成分、结构描述符、加工条件和目标性能之间的定量关系。这使快速探索

结论与未来展望

由于盐湖卤水离子成分复杂且镁锂比高，从中回收锂仍面临挑战。碳材料凭借其丰富的来源、环境相容性、大的比表面积、可调的孔结构和多样的表面化学，在构建低成本、高容量锂离子筛方面具有巨大潜力。本综述总结了碳/LIS复合材料在选择性锂回收方面的最新进展，重点关注

CRediT作者贡献声明

巨胜贵：资金获取。薛峰：撰写——审阅与编辑。王艳清：软件。黄宁：撰写——初稿。

利益冲突声明

作者声明不存在任何已知的可能影响本文工作的竞争性经济利益或个人关系。

致谢

本工作得到国家自然科学基金（22678276）的资助。

黄宁|王艳清|薛峰|巨胜贵