Makine Öğrenmesi Tabanlı Yaklaşım ile NMC Lityum-İyon Pillerin Geri Dönüşümünde Liç Koşullarının Modellenmesi
DOI:
https://doi.org/10.5281/zenodo.16885948Anahtar Kelimeler:
Geri dönüşüm, Hidrometalurji, Makine öğrenmesi, Lityum-iyon pillerÖzet
Bu çalışmada, NMC tipi (LiNiₓMnᵧCo_zO₂) lityum-iyon pillerin hidrometalurjik yöntemle geri dönüşümünde liç parametrelerinin etkisi, makine öğrenmesi tabanlı modellerle incelenmiştir. Literatürden derlenen 269 deneysel veri noktasından oluşan veri seti, süre, sıcaklık, katı/sıvı oranı, H₂O₂ oranı ve sitrik asit konsantrasyonu gibi temel değişkenleri içermektedir. Lityum (Li) ile geçiş metallerinin (Co, Ni, Mn) çözünme oranları hedef değişken olarak kullanılmıştır. Modelleme sürecinde Doğrusal Regresyon, Karar Ağacı ve Rastgele Orman algoritmaları karşılaştırılmış; en yüksek doğruluk Rastgele Orman modelinde elde edilmiştir (R² > 0.88). Model çıktıları, SHAP (SHapley Additive Explanations) analizi ile yorumlanarak değişkenlerin önem derecesi belirlenmiş, PDP (Partial Dependence Plot) grafikleri ile de parametrelerin çözünme davranışına etkileri görselleştirilmiştir. Bulgular, sıcaklık ve süre gibi işlem koşullarının özellikle Li çözünürlüğü üzerinde belirleyici olduğunu, H₂O₂ ve sitrik asit konsantrasyonunun ise daha çok geçiş metallerinin çözünmesini etkilediğini göstermiştir. Bu çalışma, literatürdeki verilerin yapay zeka ile yeniden değerlendirilerek deneysel optimizasyona yön verilmesinin mümkün olduğunu ortaya koymaktadır.
Referanslar
Acilar, A.M., 2020. Heatıng and cooling load estimatıon of residential buildings using adaboost. R2 regressıon algotıthm. International Journal on Mathematics, Engineering and Natural Sciences, 13: 1–12.
Bahaloo-Horeh, N., Mousavi, S.M., 2017. Enhanced recovery of valuable metals from spent lithium-ion batteries through optimization of organic acids produced by Aspergillus niger. Waste Management, 60: 666–679.
Celep, O., Yazici, E.Y., Deveci, H., Dorfling, C., 2023. Recovery of lithium, cobalt and other metals from lithium-ion batteries. Pamukkale University Journal of Engineering Sciences, 29(4): 384–400.
Diekmann, J., Hanisch, C., Froböse, L., Schälicke, G., Loellhoeffel, T., Fölster, A.S., Kwade, A., 2017. Ecological recycling of lithium-ıon batteries from electric vehicles with focus on mechanical processes. Journal of The Electrochemical Society, 164(1): A6184–A6191.
Niu, E.S., Liu, B., Yuan, J., Xiao, Y., Xu, Z., 2025. Intelligent metal recovery from spent Li-ion batteries: machine learning breaks the barriers of traditional optimizations. Green Chemistry, 27(9): 2478–2492.
Fahimi, A., Zanoletti, A., Cornelio, A., Mousa, E., Ye, G., Frontera, P., Depero, L.E., Bontempi, E., 2022. Sustainability analysis of processes to recycle discharged lithium-ıon batteries, based on the ESCAPE approach. Materials, 15(23): 8527.
Fan, E., Li, L., Wang, Z., Lin, J., Huang, Y., Yao, Y., Chen, R., Wu, F., 2020. Sustainable recycling technology for li-ıon batteries and beyond: challenges and future prospects. Chemical Reviews, 120(14): 7020–7063.
Holzer, A., Windisch-Kern, S., Ponak, C., Raupenstrauch, H., 2021. A novel pyrometallurgical recycling process for lithium-ıon batteries and ıts application to the recycling of LCO and LFP. Metals, 11(1): 149.
Lv, W., Wang, Z., Zheng, X., Cao, H., He, M., Zhang, Y., Yu, H., Sun, Z., 2020. Selective recovery of lithium from spent lithium-ıon batteries by coupling advanced oxidation processes and chemical leaching processes. ACS Sustainable Chemistry & Engineering, 8(13): 5165–5174.
Musabeyoglu, A., Tug, N., Durmus, O.C., Akgun, G., Akuner, M.C., 2024. Uhf Rfid localization with machine learning approaches: distance estimation from rssi data. International Journal on Mathematics, Engineering and Natural Sciences, 8(1): 166–173.
Niu, B., Wang, X., Xu, Z., 2023. Application of machine learning to guide efficient metal leaching from spent lithium-ion batteries and comprehensively reveal the process parameter influences. Journal of Cleaner Production, 410: 137188.
Yu, L., Bai, Y., Belharouak, I., 2024. Recycling of lithium-ıon batteries via electrochemical recovery: a mini-review. Batteries, 10(10): 337.
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2025 ISPEC JOURNAL OF SCIENCE INSTITUTE
Bu çalışma Creative Commons Attribution 4.0 International License ile lisanslanmıştır.
