NEC锂电池产品分类
日本NEC锂电池-官网
NEC锂电池基于深度学习的优先污染物筛查方法：关于退役电池回收的案例研究
发布时间：2026-08-03 08:22:46 点击： 次
随着退役电池产量的快速增加，回收过程中潜在的环境风险必须被紧急识别和评估。本研究提出了利用深度学习算法结合层次聚类分析的新型污染物优先筛选框架。基于五种基于绩效加权的深度学习方法构建了一个名为MCA的综合污染物筛查模型。与传统机器学习模型相比，MCA模型的准确性和可靠性都显著提升（R2= 0.9999，MSE = 0.300，MAE = 0.220，测试集）。通过将此方法应用于退役电池回收，识别出13种污染物并划分为四个优先级：I级（最高优先级），包括1种污染物;二级（高优先级），包括6种污染物;三级（中等优先级），包括1项污染物;四级（低优先级），包括5种污染物。最后，进行了SHapley加性解释（SHAP）可视化，通过识别主要影响因素（包括急性毒性、刺激和腐蚀性以及内分泌干扰）来揭示风险优先级的差异。研究结果为淘汰电源回收过程中筛选优先污染物提供了建设性的方案和见解，表明在污染物优先排序和风险管理中开发和实施深度学习方法具有高度潜力。
图形摘要
简介
现在常见的污染物优先排序方法包括综合评分、专家判断、分析层级流程、定量评分以及化学危害评估管理策略（CHEMS-1）方法（Swanson 等，1997;Markiewicz 等，2017;Qiao 等，2023）。近年来现场监测技术和先进分析仪器（如高分辨率质谱）的进步，大大提升了高优先级污染物的识别和风险分层能力（Kang 等，2022;He 等，2023a;丁等，2024）。例如，Meng等（2022）基于GC/Orbitrap MS针对目标和非靶点方法的分析结果，通过合成评估方法成功鉴定了42种气味物质，用于有机磷有机磷农药污染土壤中的优先控制。尽管现有研究取得了重大进展，但结论的可靠性仍依赖于通过大量抽样和复杂分析仪器获得的高质量数据集。此外，识别过程的不确定性因固有的方法学局限性进一步加剧，尤其是在某些方法中引入主观参数，如全面评分和专家判断。因此，迫切需要制定一套系统且减轻偏见的筛选策略，以适应行业特有的数据可用性、数据质量和数据异质性，以确保结果的科学严谨性和高实践可行性。
近期研究强调了人工智能方法在污染物筛查中的潜力，如机器学习算法（Liu等，2022;Han 等，2023;Zhao 等，2024）。例如，Ekpe等人（2025年）开发了一个机器学习优化的ToxPi模型，对252种地下水微污染物进行排名，并识别出47种独特的高优先级化合物用于定向地下水监测。Meekel等（2025）构建了基于机器学习的有机磷和芳香胺分类模型，并带有结构警示，成功应用于优先处理地表水样本中的非靶向筛选特征。此外，在污染物筛选方面，深度学习在处理复杂数据、自动特征提取、端到端学习、大规模数据训练和强泛化性方面表现出显著优势（Dong 等，2021）。与传统机器学习模型相比，优化后的深度学习模型在某些情况下甚至可能表现出更好的性能，例如更高的预测准确性和更强的泛化性（Fine 等，2020;Liu 等，2024）。例如，Sun 等人（2024）利用改进的混合变压器深度学习方法构建了药品和个人护理产品（PPCP）分类模型，该模型的准确率相比随机森林（RF）模型提升了多达23.25%。Zhang 等人（2024）提出了基于图卷积神经网络（GCN）的可解释性深度学习模型，用于化学致癌性预测，该模型的性能优于包括 RF 和 XGBoost 在内的五个机器学习模型。因此，优化的深度学习模型可能为与传统机器学习路线图不同的复杂环境问题提供一种新颖高效的解决方案。
本研究提出了利用深度学习算法结合分层聚类分析的新型污染物优先筛选框架，成功应用于退役电池的回收。主要研究目标如下：1）基于五种深度学习方法构建一个综合污染物筛查模型;2）提出优先污染物清单，用于筛选退役电力电池回收过程中最高优先级、高优先级、中级和低优先级污染物;3）分析风险优先级的差异。本研究对退役电池回收的环境风险评估和管理政策制定具有重大实际意义。
标签: