一种用于锂离子电池废旧材料浸出的应用机器学习框架，同时集成初步的环境和经济评估功能

《Green Chemistry》：An applied machine learning framework for waste lithium-ion battery leaching with integrated preliminary environmental and economic assessment

　　本研究提出基于机器学习的锂离子电池废料湿法冶金优化方法，通过数据增强和模型筛选降低腐蚀性溶液使用，并整合经济与环境评估指标实现快速条件筛选，推动绿色金属回收发展。

　　

技术创新使得锂离子电池（LIBs）在便携式储能领域得到了广泛应用。因此，为解决电池报废问题提供可持续的解决方案至关重要，以应对日益增长的电池废弃物数量。除了可能具有危险性外，废弃的锂离子电池还含有多种具有经济价值的稀有原材料，如锂、锰和钴。然而，通过湿法冶金方法回收这些材料时，往往需要在浸出过程中使用大量的腐蚀性溶液，这会对原子利用率、废水处理以及工艺成本产生负面影响。尽管已有大量相关研究，但由于电池化学成分和浸出剂的多样性，再加上经济和环境方面的考虑，确定最佳的浸出条件仍然具有挑战性。本文提出了一种系统化的、基于数据的方法，利用机器学习算法对氧化物基锂离子电池正极活性材料中的关键金属进行浸出建模，并通过成对差异算法实现数据增强。所开发的模型经过了全面的评估和筛选，其输出结果被用于计算简化的经济和环境评估，涵盖了加热需求、溶剂成本和环境影响等关键性能指标，从而能够快速筛选出潜在的初步浸出条件。本文描述的方法论是将新兴计算工具应用于开发更环保的金属回收工艺的重要步骤。