一种废旧锂电石墨再生多目标优化方法及装置
本发明涉及电池回收领域,尤其涉及一种废旧锂电石墨再生多目标优化方法及装置。
背景技术:
1、随着新能源汽车、储能系统以及消费电子产品的快速发展,锂离子电池的市场需求持续增长,大量动力电池和储能电池陆续进入退役阶段。废旧锂离子电池中不仅含有锂、镍、钴等高价值金属资源,其负极石墨材料约占电池总质量的15%~25%,具有较高的资源回收价值。随着废旧锂离子电池数量的不断增加,如何实现废旧石墨材料的高值化再生利用,已成为锂离子电池循环利用领域的重要研究方向。
2、目前,废旧锂离子电池石墨的再生方法主要包括化学净化法、高温热处理法、表面修复法以及化学—热处理联合再生法等。其中,化学净化主要利用酸液去除废旧石墨表面的固体电解质界面膜(sei)、金属杂质及残余锂盐;热处理则通过高温焙烧修复石墨晶体结构,提高石墨层状有序度和电化学性能;联合再生工艺综合利用化学净化和热处理两种技术,以实现废旧石墨结构和性能的协同恢复。相比直接报废或低值利用,再生石墨能够显著降低天然石墨资源消耗,对于推动锂离子电池产业绿色低碳发展具有重要意义。
3、然而,废旧石墨再生过程涉及酸浓度、酸洗时间、焙烧温度、焙烧时间、保护气氛等多个工艺参数,各参数之间存在复杂的非线性耦合作用,不同参数组合不仅影响石墨层间距、石墨化程度和初始库仑效率等材料性能,同时也影响化学试剂消耗、能源消耗以及温室气体排放等环境指标。因此,如何实现再生工艺参数的合理配置,是提高废旧石墨再生性能和降低环境影响的关键问题。
4、近年来,机器学习技术逐渐应用于材料研发与工艺优化领域。通过建立工艺参数与材料性能之间的代理模型,可以利用有限实验数据快速预测材料性能,减少实验次数,提高工艺设计效率。同时,生命周期评价(life cycle assessment,lca)方法能够从资源消耗、能源利用和环境排放等角度,对材料生产及再生过程进行全过程环境影响评价,为绿色工艺设计提供定量评价依据。
5、目前已有研究通常采用机器学习预测材料性能,或者采用生命周期评价分析工艺环境影响,也有部分研究利用响应面分析、遗传算法等优化工艺参数。然而,上述研究大多将材料性能预测、环境影响评价及工艺优化作为相互独立的研究内容,尚未形成能够将机器学习预测模型、生命周期环境评价以及逆向优化设计有机融合的一体化技术框架,难以实现材料性能和环境效益的同步优化。此外,现有优化方法大多以单一性能指标为目标,缺乏针对废旧石墨再生过程中多性能、多环境指标协同优化的技术方案,导致优化结果往往需要通过大量实验反复验证,研发周期长、成本高,且难以获得兼顾高性能与低环境负荷的最优再生工艺。
6、现有废旧锂离子电池石墨再生工艺及优化方法主要存在以下不足:
7、(1)工艺优化主要依赖经验试验,研发效率较低。目前石墨再生工艺参数通常采用单因素实验、正交实验或响应面分析等方法进行优化,需要进行大量重复实验才能获得较优工艺条件。当工艺变量数量增加时,实验次数呈指数增长,不仅研发周期长,而且实验成本较高,难以满足复杂再生工艺快速优化的需求。
8、(2)难以准确描述多工艺参数与石墨性能之间的复杂非线性关系。废旧石墨再生过程中,酸洗条件、焙烧条件及保护气氛等多个工艺参数之间存在显著耦合作用,不同参数组合共同影响石墨层间距、石墨化程度、初始库仑效率等性能指标。传统统计分析方法和经验模型难以建立复杂工艺参数与石墨性能之间的高精度映射关系,导致预测能力和泛化能力有限。
9、(3)现有优化方法缺乏可解释性,难以揭示关键工艺参数的作用机制。大多数机器学习模型仅关注预测精度,而缺少对预测结果形成原因的解释,难以分析不同工艺参数对石墨性能提升的贡献程度,也无法为工艺改进提供理论依据。
10、(4)材料性能优化与环境影响评价相互独立,难以实现协同优化。现有研究通常将生命周期评价作为工艺完成后的独立分析工具,而未将环境影响指标直接纳入工艺优化过程,导致获得的最佳工艺条件往往仅针对材料性能进行优化,可能伴随较高的能源消耗、化学品消耗及碳排放,不利于绿色制造和低碳发展。
技术实现思路
1、以下是对本文详细描述的主题的概述。
2、本技术的目的在于至少一定程度上解决相关技术中存在的技术问题之一,本技术实施例提供了一种废旧锂电石墨再生多目标优化方法及装置。
3、本技术的第一方面的实施例,一种废旧锂电石墨再生多目标优化方法,包括:
4、构建废旧锂电石墨再生数据库,用于建立工艺参数、石墨结构参数、电化学性能及环境影响指标之间的映射关系;
5、基于所述数据库,建立废旧石墨再生工艺参数与石墨结构性能之间的机器学习代理模型;
6、基于所述数据库,建立生命周期评价模型,对废旧锂离子电池石墨再生过程在既定系统边界内的环境影响进行量化计算;
7、以所述机器学习代理模型作为性能快速预测器,以所述生命周期评价模型作为环境快速核算器,搜索候选工艺参数组合;
8、从所述候选工艺参数组合筛选最优工艺参数组合,得到面向废旧锂离子电池石墨再生工艺设计的目标推荐方案。
9、根据本技术的第一方面的某些实施例,所述构建废旧锂电石墨再生数据库,包括:
10、对输入数据进行统一整理,所述统一整理包括工艺参数名称统一、测试指标统一、单位统一及数据格式标准化处理中的一种或多种;
11、对输入数据中的连续变量缺失值,通过建立各变量之间的统计关系,对缺失值进行估算;
12、对类别变量,根据已有数据及描述进行统一编码处理;
13、对数量低于预设阈值的类别样本进行扩充处理。
14、根据本技术的第一方面的某些实施例,所述机器学习代理模型采用极端随机树回归,输入为工艺参数,所述工艺参数包括酸浓度、酸洗时间、焙烧温度、焙烧时间、保护气氛中的一种或多种,输出为性能指标,所述性能指标包括初始库仑效率、石墨层间距、xrd衍射峰位置及拉曼缺陷比中的一种或多种。
15、根据本技术的第一方面的某些实施例,采用十折交叉验证方法对所述机器学习代理模型进行训练与测试,通过评价指标评价模型预测性能,所述评价指标包括决定系数、均方根误差及平均绝对误差中的一种或多种。
16、根据本技术的第一方面的某些实施例,通过沙普利加性解释方法shap,根据输入变量的沙普利值获得不同工艺参数对预测结果的贡献程度及作用方向,识别影响废旧石墨再生性能的关键工艺参数,并分析各工艺参数之间的耦合作用关系,对所述机器学习代理模型进行全局解释与局部解释分析。
17、根据本技术的第一方面的某些实施例,所述既定系统边界为废旧锂电的再生阶段;所述量化计算包括化学试剂贡献、电力消耗贡献与气相排放代理贡献中的一项或多项;
18、所述化学试剂贡献通过式子表示为:;
19、式中,表示化学试剂贡献,表示溶剂类别所映射的化学组分的质量用量,表示化学组分的温室气体排放因子;
20、所述电力消耗贡献通过式子表示为:;
21、式中,表示电力消耗贡献,表示总电耗,表示电力排放因子;
22、所述气相排放代理贡献通过式子表示为:;
23、式中,表示气相排放代理贡献,表示归一化系数,为筛选参数。
24、根据本技术的第一方面的某些实施例,搜索候选工艺参数组合,包括:
25、生成满足初始约束条件的初始工艺参数种群;
26、通过变异、交叉及选择操作更新候选工艺参数,并利用综合评价函数对候选工艺参数进行评价;
27、其中,在每一次迭代过程中,所述机器学习代理模型与所述生命周期评价模型同步计算候选工艺参数的预测性能及环境影响,引导差分进化算法逐步向最优区域搜索;
28、当达到最大迭代次数或目标函数收敛时,停止优化计算,并输出满足约束条件的候选工艺参数组合。
29、根据本技术的第一方面的某些实施例,从所述候选工艺参数组合筛选最优工艺参数组合,得到面向废旧锂离子电池石墨再生工艺设计的目标推荐方案,包括:
30、调用机器学习代理模型重新计算对应的石墨结构性能和电化学性能,调用生命周期评价模型重新计算全球变暖潜势及化学试剂消耗、电力消耗和气相排放的分项环境影响;
31、按照综合目标函数值对所有候选工艺参数组合进行排序,并输出目标函数值最大的候选工艺参数组合作为目标推荐方案,或者,输出pareto最优解集,并根据实际应用需求,从性能优先、环境优先或综合平衡的多个角度选择目标推荐方案。
32、根据本技术的第一方面的某些实施例,在得到目标推荐方案后,将工艺参数及对应测试结果补充至废旧锂电石墨再生数据库,经数据一致性检查及预处理后重新训练机器学习代理模型,并同步更新生命周期评价模型中的参数数据库。
33、本技术的第二方面的实施例,一种废旧锂电石墨再生多目标优化装置,应用如本技术的第一方面的实施例所述的废旧锂电石墨再生多目标优化方法,包括:
34、废旧石墨再生数据集构建模块,用于构建废旧锂电石墨再生数据库,用于建立工艺参数、石墨结构参数、电化学性能及环境影响指标之间的映射关系;
35、可解释机器学习代理模型构建模块,用于基于所述数据库,建立废旧石墨再生工艺参数与石墨结构性能之间的机器学习代理模型;
36、生命周期评价模型构建模块,用于基于所述数据库,建立生命周期评价模型,对废旧锂离子电池石墨再生过程在既定系统边界内的环境影响进行量化计算;
37、逆向多目标优化模块,用于以所述机器学习代理模型作为性能快速预测器,以所述生命周期评价模型作为环境快速核算器,搜索候选工艺参数组合;
38、最优工艺输出模块,用于从所述候选工艺参数组合筛选最优工艺参数组合,得到面向废旧锂离子电池石墨再生工艺设计的目标推荐方案。
39、上述方案至少具有以下的有益效果:建立一种集数据驱动建模、性能预测、机理解释、环境评价及逆向优化于一体的废旧石墨再生工艺设计方法,在保证再生石墨电化学性能和结构性能的基础上,实现化学试剂消耗、能源消耗及碳排放的协同降低,提高废旧石墨再生工艺设计效率,减少试验成本,为废旧锂离子电池负极材料绿色高值化循环利用提供一种智能化、多目标协同优化的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com