废旧磷酸铁锂电池可持续锂回收优化方法、装置、设备和介质

本发明涉及资源回收，尤其涉及一种废旧磷酸铁锂电池可持续锂回收优化方法、装置、设备和介质。

背景技术：

1、全球向电动交通的转型推动了对锂离子电池前所未有的需求。磷酸铁锂（lifepo4，lfp）电池因其固有的安全性和经济优势，目前，废旧lfp电池的年产生量已超过40万吨，预计到2030年将超过150万吨。这一即将到来的废物流激增，迫切需要立即开发高度可扩展且高效的资源回收策略。与富镍正极不同，从废旧lfp中提取锂受到橄榄石晶格卓越的结构稳定性以及铁-磷酸盐沉淀竞争动力学的阻碍。这些化学特性使得lfp浸出过程成为一个由协同与拮抗相互作用构成的复杂网络。这种系统性复杂性对传统优化方法施加了显著的限制。

2、该领域的方法论进展已从传统的单因素一次实验（ofat）设计发展到多变量统计优化。早期的研究侧重于通过保持其他因素恒定、改变单一因素来识别孤立的参数敏感性。尽管这些研究提供了基线趋势，但它们固有地忽略了温度或化学计量学的影响会被背景酸浓度根本性改变的协同依赖性。后续的研究采用响应面法（rsm），通过二次多项式拟合来捕捉参数间的相互作用。然而，目前普遍认识到，rsm受限于其对预定义数学形式的依赖，无法适应lfp溶解过程中观察到的非线性奇异点和尖锐的化学计量阈值。详细的动力学分析证实，浸出效率受活化能与化学平衡之间强烈依赖关系的支配。这种复杂性需要转向能够将这些潜在的物理化学相互依赖关系内化、而不受刚性函数约束的先进数据驱动建模方法。

3、在此背景下，机器学习（ml）已成为一种变革性工具，在优化资源回收过程方面展现出巨大潜力。针对废印刷电路板的铜回收以及锌锰电池的回收，高精度预测模型已经建立。具体而言，针对三元正极材料和磷酸铁锂均已实现了基于回归的预测。然而，这些架构通常作为黑箱运行，并未纳入控制金属溶解的基本化学原理。这种机理基础的缺失可能导致在数据稀疏区域产生物理上不一致的预测，例如违反反应速率对温度的阿伦尼乌斯依赖性。这些局限性阻碍了基于模型外推的可靠性，从而确定了对将热力学约束与机器学习相耦合的物理信息架构的关键需求。

4、除了预测保真度之外，当前过程优化中还存在一个普遍的盲点：对单目标浸出产率的过度关注忽视了整体的环境成本。这种以性能为中心的方法可能导致一种可持续性悖论——微小的技术改进需要激进的试剂剂量，而这可能抵消材料回收的生态效益。为解决这一问题，需要一个综合性的评估体系来协调技术成果与系统性环境支持。能值分析为此提供了一个科学的框架，通过评估生态经济投入与回收材料产出之间的杠杆效应。与传统评估不同，能值核算以太阳能焦耳（sej）为单位评估能量质量差异。然而，能值评估历来是一个静态且回顾性的工具。在技术回收与系统性能值效率的主动协同优化方面仍存在方法论空白，而这一能力对于识别真正可持续的操作窗口至关重要。

技术实现思路

1、本发明提供一种废旧磷酸铁锂电池可持续锂回收优化方法、装置、设备和介质，旨在通过构建自适应物理信息集成（apie）模型，将机理动力学定律嵌入非线性机器学习模型，确保了物理一致性。通过将这种预测能力与系统性能值核算模块耦合，协调了技术回收产率与系统性能值效率，有效地将优化焦点从狭隘的性能指标转向整体资源转化效率。与单变量或纯数据驱动方法不同，本发明提供了阐明跨系统非线性依赖关系并准确评估生态经济投入与材料产出之间杠杆效应的分析分辨率。

2、第一方面，本发明提供一种废旧磷酸铁锂电池可持续锂回收优化方法，所述方法包括：

3、获取历史浸出实验数据，构建包括原料参数、工艺参数与锂浸出率的关联数据库，并对所述关联数据库中的数据进行清洗与归一化处理，得到标准化数据集；

4、根据所述标准化数据集，训练自适应物理信息集成模型，所述自适应物理信息集成模型包括物理信息神经网络、catboost模型和k近邻模型；

5、将待优化的工艺参数输入训练好的所述自适应物理信息集成模型，获得预测的锂浸出率，包括：将待优化的工艺参数分别输入所述物理信息神经网络、所述catboost模型和所述k近邻模型，获得各自对应的基础预测值；根据所述待优化的工艺参数在特征空间中的局部邻域信息，分别确定所述物理信息神经网络、所述catboost模型和所述k近邻模型各自的自适应权重；根据各自对应的所述自适应权重，对所述物理信息神经网络的基础预测值、所述catboost模型的基础预测值和所述k近邻模型的基础预测值进行加权求和，得到预测的锂浸出率；

6、根据所述预测的锂浸出率，通过能值核算模块计算能值产出率，所述能值产出率为总能值产出与总能值投入的比值；

7、以最大化所述锂浸出率为目标，利用贝叶斯优化算法在参数可行域内生成各酸体系的候选方案；针对每一酸体系，分别确定候选方案锂浸出率和能值产出率的上四分位阈值，将同时不低于两个阈值的候选方案构成优秀性能候选集，并将所述优秀性能候选集中锂浸出率最高的候选方案确定为所述酸体系的推荐最优浸出方案。

8、在一种可能的设计中，所述物理信息神经网络的训练过程包括：

9、将半经验动力学模型嵌入所述物理信息神经网络的损失函数中，所述半经验动力学模型根据反应速率常数、反应时间与反应级数定义锂浸出率的变化率：

10、                 (1)

11、其中，是锂浸出率，是反应时间，是反应级数，为反应速率常数，t为反应温度，单位为℃，cacid为酸浓度，单位为mol/l，cox为氧化剂与锂的摩尔比，在本实施例中为h2o2/li摩尔比；

12、根据如下公式计算反应速率常数：

13、             (2)

14、其中，a为指前因子，exp为自然指数函数，为表观活化能，

r为摩尔气体常数，

a为酸浓度反应级数，

b为氧化剂与锂摩尔比反应级数；

15、构建所述物理信息神经网络的总损失函数，所述总损失函数表示为：

16、           (3)

17、其中，为总损失函数，e为期望算子，在批量训练中取样本平均，λ为数据损失与物理残差损失之间的权重系数，为预测的锂浸出率，为物理残差，；

18、基于所述标准化数据集，通过最小化所述总损失函数，同步优化网络权重及所述半经验动力学模型中的可学习物理参数，完成所述物理信息神经网络的训练。

19、在一种可能的设计中，根据所述待优化的工艺参数在特征空间中的局部邻域信息，分别确定所述物理信息神经网络、所述catboost模型和所述k近邻模型各自的自适应权重，包括：

20、对于待优化的工艺参数所对应的目标预测点，在特征空间中识别其k个最近邻样本，并计算所述物理信息神经网络、所述catboost模型和所述k近邻模型中每个基础模型在所述最近邻样本上的局部决定系数；所述局部决定系数的计算公式为：

21、              (4)

22、其中，是基础模型的局部决定系数，是目标预测点，是k个最近邻样本的集合，是样本真实值，是基础模型的预测值，是集合内真实值的平均值，

23、根据所述局部决定系数，计算每个基础模型的自适应权重；

24、                  (5)

25、其中，为基础模型的自适应权重，表示基础模型的索引，表示取最大值，表示基础模型的局部决定系数。

26、在一种可能的设计中，还包括模型解释步骤，所述模型解释步骤用于量化各工艺参数对所述锂浸出率的影响，具体包括：

27、根据归一化重要性，量化每个工艺参数的全局重要性；所述全局重要性的计算公式为：

28、                      (6)

29、其中，和是参数和的重要性度量，是参数总数；

30、基于shapley加法解释方法，计算每个工艺参数对于单个预测样本的边际贡献值，并生成汇总归因图，以可视化各工艺参数对所述锂浸出率的正负影响方向；

31、根据偏依赖图分析，模拟当单个工艺参数变化时所述锂浸出率的平均响应，并比较各工艺参数的单因素响应曲线，以识别各工艺参数的非线性影响规律。

32、在一种可能的设计中，所述能值核算模块通过如下公式计算能值产出率：

33、                       (7)

34、其中，为产出能值，为投入能值；

35、所述产出能值的计算公式为：

36、              (8)

37、其中，是黑粉中的锂质量分数，是预测的锂浸出率，和分别是碳酸锂和锂的摩尔质量，是生产原生碳酸锂的单位能值，g为质量单位克，1 g表示以1 g黑粉作为核算基准；

38、所述投入能值的计算公式为：

39、                (9)

40、其中，是操作能耗能值，是化学试剂生产能值，是环境修复成本能值，所述环境修复成本能值根据酸浸出路径的特征污染物进行差异化核算。

41、在一种可能的设计中，以最大化所述锂浸出率为目标，利用贝叶斯优化算法在参数可行域内进行迭代寻优，包括：

42、将训练好的自适应物理信息集成模型作为贝叶斯优化的替代目标函数，根据如下公式定义优化问题：

43、                   (10)

44、其中，是包括八个工艺参数的输入向量，是参数可行域，是自适应物理信息集成模型输出的预测的锂浸出率；

45、构建高斯过程作为目标函数的概率代理模型，并通过最大化期望改进采集函数，在所述参数可行域内迭代选择下一个采样点，以逼近使所述锂浸出率最大化的全局最优解。

46、在一种可能的设计中，按酸体系根据所述锂浸出率和能值产出率从候选方案集中筛选出推荐最优浸出方案，包括：

47、通过贝叶斯优化算法为每一酸体系生成多个候选工艺参数组合，构成对应酸体系的候选方案集；

48、调用所述能值核算模块，计算各酸体系候选方案集中每一方案对应的能值产出率；

49、针对每一酸体系，分别计算候选方案锂浸出率和能值产出率的上四分位阈值，将同时不低于两个阈值的候选方案构成优秀性能候选集，并将所述优秀性能候选集中锂浸出率最高的候选方案作为该酸体系的推荐最优浸出方案。

50、第二方面，本发明提供一种废旧磷酸铁锂电池可持续锂回收优化装置，所述装置包括：

51、数据预处理模块，被配置为获取历史浸出实验数据，构建包括原料参数、工艺参数与锂浸出率的关联数据库，并对所述关联数据库中的数据进行清洗与归一化处理，得到标准化数据集；

52、模型训练模块，被配置为根据所述标准化数据集，训练自适应物理信息集成模型，所述自适应物理信息集成模型包括物理信息神经网络、catboost模型和k近邻模型；

53、锂浸出率预测模块，被配置为将待优化的工艺参数输入训练好的所述自适应物理信息集成模型，获得预测的锂浸出率，包括：将待优化的工艺参数分别输入所述物理信息神经网络、所述catboost模型和所述k近邻模型，获得各自对应的基础预测值；根据所述待优化的工艺参数在特征空间中的局部邻域信息，分别确定所述物理信息神经网络、所述catboost模型和所述k近邻模型各自的自适应权重；根据各自对应的所述自适应权重，对所述物理信息神经网络的基础预测值、所述catboost模型的基础预测值和所述k近邻模型的基础预测值进行加权求和，得到预测的锂浸出率；

54、能值产出率计算模块，被配置为根据所述预测的锂浸出率，通过能值核算模块计算能值产出率，所述能值产出率为总能值产出与总能值投入的比值；

55、最优浸出方案筛选模块，被配置为以最大化所述锂浸出率为目标，利用贝叶斯优化算法在参数可行域内生成各酸体系的候选方案；针对每一酸体系，分别确定候选方案锂浸出率和能值产出率的上四分位阈值，将同时不低于两个阈值的候选方案构成优秀性能候选集，并将所述优秀性能候选集中锂浸出率最高的候选方案确定为所述酸体系的推荐最优浸出方案。

56、第三方面，本发明实施例提供一种电子设备，包括：至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的废旧磷酸铁锂电池可持续锂回收优化方法。

57、第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的废旧磷酸铁锂电池可持续锂回收优化方法。

58、第五方面，本发明实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上第一方面以及第一方面各种可能的设计所述的废旧磷酸铁锂电池可持续锂回收优化方法。

59、本发明提供的废旧磷酸铁锂电池可持续锂回收优化方法、装置、设备和介质，其至少具有如下有益效果：

60、（1）本发明通过训练包含物理信息神经网络、catboost模型和k近邻模型的自适应物理信息集成模型，并将待优化工艺参数分别输入三个模型获得基础预测值、根据局部邻域信息确定各模型自适应权重、加权求和得到预测的锂浸出率，既利用机理模型保证数据稀疏区域的物理一致性，又借助数据驱动模型捕捉全局非线性交互与局部模式，实现预测精度（测试集r2达0.9934）与物理合理性的统一。

61、（2）本发明通过将半经验动力学模型及其阿伦尼乌斯型速率常数公式嵌入物理信息神经网络的损失函数，并以物理残差作为约束项进行网络训练，使模型预测严格遵循化学反应动力学定律，避免在数据稀疏区域产生物理不一致预测的缺陷。

62、（3）本发明通过引入模型解释步骤，利用归一化重要性分析、shapley加法解释方法和偏依赖图分析，量化各工艺参数对锂浸出率的全局重要性、局部边际贡献及非线性响应与交互作用，为工艺优化提供可解释的决策依据。

63、（4）本发明通过能值核算模块计算产出能值与投入能值的比值作为能值产出率，将技术回收效率与系统性生态经济投入纳入统一度量框架，克服传统单目标优化忽视环境成本的局限，实现技术效率与生态可持续性的协同优化。

64、（5）本发明通过贝叶斯优化算法以自适应物理信息集成模型为替代目标函数进行迭代寻优，结合能值产出率对候选方案进行筛选，在少量评估次数内高效识别兼具高浸出率与高资源转化效率的最优工艺方案，为湿法冶金回收工艺的可持续设计提供可靠的技术模板。