一种可调节的电化学脱嵌提锂系统及其应用

技术领域

本申请属于锂资源提取技术领域，涉及一种可调节的电化学脱嵌提锂系统及其应用。

背景技术

随着电动汽车、信息技术和电网储能产业的迅速扩展，其对锂原料的需求急剧增加。锂资源主要来源于蒙脱石、透锂长石、锂辉石等矿石，陆地卤水、地热卤水、油田卤水等盐湖卤水以及海水等。锂在盐湖卤水中储量丰富，且从盐湖中提锂相比从锂矿石中提锂的成本更低，故近年来以盐湖卤水为原料生产的锂盐已占锂产品总量的85％以上。

电渗析法是绿色的工艺技术，也是近几年盐湖提锂的一个新的研究方向，但实际应用还存在一定的困难，该方法成本较高，且锂的总回收率也还有待提高。在我们实际的电化学脱嵌过程中，阳极发生氧化反应，锂从磷酸铁锂中脱出，阴极发生还原反应，卤水中的锂嵌入磷酸铁中。对于理想的反应来说，阳极脱出一个锂离子的同时阴极也要嵌入一个锂离子，两者的脱嵌速率应该保持一致。但是在实际反应过程当中，阴极嵌锂过程受卤水的粘度，卤水中离子浓度的影响很大，这就导致阴极嵌锂过程较阳极脱锂过程慢很多，使得两者工作速率不一致，从而导致了阴阳极脱锂和嵌锂容量的不匹配问题。同时，因为两种电极需要不断进行电极极性的调换，所以阴阳极使用的电极材料的种类需要尽可能保持一致，故而在提锂过程中，无法对阴阳极进行容量匹配的设计，导致该技术问题无法通过简单的设计电极板的不同容量来解决。

CN115818801A公开了一种从盐湖卤水中提取锂的方法，其所述提锂过程分成嵌锂和脱锂两个过程。嵌锂时，以铅作为阳极，以涂覆有离子筛的导电基体为阴极，以阴离子膜将阳极和阴极进行分开，阳极加入硫酸盐溶液，阴极加入盐湖卤水；脱锂时，对调提锂过程中的阴阳极的电极极性，同时，上周期铅电极侧的溶液保持不变，以新鲜的硫酸盐溶液替换卤水做支持电解质，再次通电实现硫酸锂的释放。

CN110442178A公开了一种实验用盐湖提锂供电电源系统包括控制器、开关电源、电子换向装置、电解槽和采集模块；控制器分别与电子换向装置和采集模块连接，根据采集模块输出的采集参数控制电子换向装置开关和/或换向动作；开关电源与电子换向装置连接，通过电子换向装置改变开关电源输出电源极性；采集模块用于从电解槽中获取采集参数。

上述方案可以通过调节电流使阴阳极脱锂和嵌锂的容量更加匹配，提高了锂的回收效率，但是其所述方法操作繁琐且连续性差，在应用过程中容易引入杂质，实际应用效率较低。

发明内容

本申请提供一种可调节的电化学脱嵌提锂系统及其应用，采用智能化干预电化学提锂，从而使得两边电极板吸附离子的速率达到平衡，充分保证电极的吸附容量达到最大利用化，提高提锂的效率。

本申请采用以下技术方案：

第一方面，本申请提供了一种可调节的电化学脱嵌提锂系统，所述电化学脱嵌提锂系统包括依次电连接的电压监测器、神经网络模型(BP)和自动调温器；

所述电压监测器用于获取提锂装置电解槽阴极电极板的实时电压，将阴极电极板的实时电压输入所述神经网络模型得到相应的温度值；

所述神经网络模型用于将温度值输入自动调温器；

所述自动调温器用于自动调节温度至所需温度，使提锂装置阳极电极板的工作电压达到与阴极电极板工作电压一致。

本申请所述系统能够精准地监测电极板的工作电压，并基于阴极的实时工作电压对阳极电极板进行调节，通过调节温度的方式来改变阳极电极板的电压，控制两极的工作电压保持一致，从而在一定程度上使得吸锂和脱锂的速率达到平衡。本申请通过调节阴阳极两端的脱嵌锂离子速率保持一致，能够充分保证电极的吸附容量达到最大利用化，提高提锂的效率。

在一个或多个实施例中，所述神经网络模型包括输入层、隐含层和输出层。

在一个或多个实施例中，所述输入层包括I个节点，I≥1。

在一个或多个实施例中，所述隐含层包括J个节点，J≥1。

在一个或多个实施例中，所述输出层包括I个节点，I≥1。

在一个或多个实施例中，所述神经网络模型的构建过程包括：

取N组样本，输入层输入I个训练学习样本，输出层输入对应的I个输出样本，隐含层计算得到训练模型，输出层通过训练模型输入剩余N-I个输出样本，计算得到相应的N-I个返演学习样本，计算反演学习样本和实际样本的误差来不断修正神经网络内部连接各神经元的权值，通过不断的减小误差从而逼近目标，通过反向传播的学习方式将逐层传递到神经元的每一层，不断修正和调整误差，使误差平方和达到最小。

在一个或多个实施例中，所述误差＝(T

本申请在构建BP神经网络模型中，确定用“Sigmoid”函数作为学习和训练函数，确定了“Softmax”函数作为模型的输出层传递函数。函数的表达式如下：

在一个或多个实施例中，所述神经网络模型在使用前进行训练。

在一个或多个实施例中，所述训练包括依次进行获取总样品集数据，选取部分数据对模型进行训练，使用剩余数据对训练得到的模型进行验证，识别误差小于预设误差后得到训练好的神经网络模型。

在一个或多个实施例中，确定模型结构后，确定模型的输入值为电压，隐含层数为1层，输出值为温度，对神经模型进行训练，直至神经网络输出值与目标值的误差平方和＜3％。

第二方面，本申请提供了一种电化学脱嵌提锂的方法，所述方法通过如第一方面所述的电化学脱嵌提锂系统进行。

在一个或多个实施例中，所述方法包括以下步骤：

(1)将由电压监测器、包含有训练好的神经网络模型的装置和自动调温器组成的可调节系统安装到电解槽的合适位置上；

(2)电压监测器实时监测电解槽阴极电极板的电压，将实时数据输入到系统模型中，模型计算得到阳极电极板达到这个工作电压所需的温度，自动调温仪得到指令，即自动调节达到所需温度，使阳极电极板的工作电压达到与阴极电极板工作电压一致。

在一个或多个实施例中，本申请采用LiFePO

具体使用方式包括：

1、数据获取

模拟阳极电极板正常的工作状态，并采用逐步升温方式，获取整个工作过程中电压随温度的变化数据；同时记录电压监测器中的实时电压数据。

2、系统模型训练

S1、将上述获取的电压及温度变化数据组成总样品集；

S2、随机从总样品集中随机挑出预设训练样本数量的电压与温度数据组成训练样本集，将该训练样品集的数据输入到待训练的神经网络识别模型中进行训练，输出得到训练后的神经网络识别模型；

S3、将总样品集的未参与训练的其余数据组成验证样本集，将验证样本集的电压值输入训练后的神经网络识别模型，并获得相应的温度值，同时判断输出的温度相对于对应的温度检验值的识别误差是否小于预设的误差值，若是，则得到验证后的神经网络识别模型，否则，增大步骤S2中的预设训练样本数量后重复执行步骤S2；

3、系统应用于电解槽

阴极电极板上电压监测器输出的实时数据输入到系统模型中，模型计算得到阳极电极板达到这个工作电压所需的温度，自动调温仪得到指令，即自动调节达到所需温度，使阳极电极板的工作电压达到与阴极电极板工作电压一致。

本申请具有以下效果：

(1)本申请所述系统能够精准地监测电极板的工作电压，并基于阴极的实时工作电压对阳极电极板进行调节，通过调节温度的方式来改变阳极电极板的电压，控制两极的工作电压保持一致，从而在一定程度上使得吸锂和脱锂的速率达到平衡。本申请通过调节阴阳极两端的脱嵌锂离子速率保持一致，能够充分保证电极的吸附容量达到最大利用化，提高提锂的效率。

(2)本申请采用智能化干预电化学提锂，通过建立电压和温度之间的关系模型，根据所测试的电压输入所述模型，根据所述模型得到的温度值通过温度调节装置对温度进行调节，调节温度可以改变电极电阻，进而改变脱锂/嵌锂的电压，使得阴阳极电压达到平衡，提高提锂效率，相较于化学干预，既能减少化学原料的使用，又能减少杂质的引入。

附图说明

图1是本申请一些实施例所述可调节的电化学脱嵌提锂系统的可视化图。

图2是本申请一些实施例神经网络模型训练流程图。

具体实施方式

下面通过具体实施方式来进一步说明本申请的技术方案。本领域技术人员应该明了，所述实施例仅仅是帮助理解本申请，不应视为对本申请的具体限制。

实施例1

本实施例提供了一种可调节的电化学脱嵌提锂系统，所述可调节的电化学脱嵌提锂系统的可视化图如图1所示，所述可调节的电化学脱嵌提锂系统包括电压监测器、神经网络模型和自动调温器；

所述电压监测器用于获取提锂装置电解槽阴极电极板的实时电压，将阴极电极板的实时电压输入所述神经网络模型得到相应的温度值。

所述神经网络模型用于将温度值输入自动调温器。

所述自动调温器用于自动调节温度至所需温度，使提锂装置阳极电极板的工作电压达到与阴极电极板工作电压一致。

本申请所述系统能够精准地监测电极板的工作电压，并基于阴极的实时工作电压对阳极电极板进行调节，通过调节温度的方式来改变阳极电极板的电压，控制两极的工作电压保持一致，从而在一定程度上使得吸锂和脱锂的速率达到平衡。本申请通过调节阴阳极两端的脱嵌锂离子速率保持一致，能够充分保证电极的吸附容量达到最大利用化，提高提锂的效率。

所述神经网络模型训练流程图如图2所示。

本申请所述所述神经网络模型包括输入层、隐含层和输出层，所述输入层包括I个节点，I≥1，所述隐含层包括J个节点，J≥1，所述输出层包括I个节点，I≥1，所述神经网络模型的构建过程包括：

取N组样本，输入层输入I个训练学习样本，输出层输入对应的I个输出样本，隐含层计算得到训练模型，输出层通过训练模型输入剩余N-I个输出样本，计算得到相应的N-I个返演学习样本，计算反演学习样本和实际样本的误差来不断修正神经网络内部连接各神经元的权值，通过不断的减小误差从而逼近目标，通过反向传播的学习方式将逐层传递到神经元的每一层，不断修正和调整误差，使误差平方和达到最小。

在一个或多个实施例中，所述误差＝(T

本申请在构建BP神经网络模型中，确定用“Sigmoid”函数作为学习和训练函数，确定了“Softmax”函数作为模型的输出层传递函数。函数的表达式如下：

在一个或多个实施例中，所述神经网络模型在使用前进行训练。

在一个或多个实施例中，所述训练包括依次进行获取总样品集数据，选取部分数据对模型进行训练，使用剩余数据对训练得到的模型进行验证，识别误差小于预设误差后得到训练好的神经网络模型。

在一个或多个实施例中，确定模型结构后，确定模型的输入值为电压，隐含层数为1层，输出值为温度，对神经模型进行训练，直至神经网络输出值与目标值的误差平方和＜3％。

所述神经网络模型的构建及练习方法具体如下：

步骤S1，在正常工作的阳极极片上安装电压实时监测仪，并以0.1℃/min的速率升高电极片的温度，记录电极片的电压随温度的变化数据，将电压和温度数据对作为模型所需的总样本集，样本集的数据量为200个数据对；

步骤S2，从总样品集中随机挑出130个预设训练样本数量的电压与温度数据组成训练样本集，首先输入130个电压数据，已知与对应的130个输出温度数据，通过神经网络的实际输出温度数据与反演对象的实测值(所述反演对象的实测值即为每个训练样本电压对应的温度值)之间的误差来不断修正神经网络内部连接各神经元的权值，通过不断的减小误差从而逼近目标，同时反向传播的学习方式将逐层传递到神经元的每一层，不断修正和调整误差，使误差平方和达到最小，得到神经网络模型，使用总样本中的130个随机数据训练神经网络识别模型，在模型训练成功后，需要将训练后的权值和阈值赋予辨识网络作为初始值，并入到系统中以实现自适应控制的目的；

步骤S3，将总样品集的未参与训练的70个数据对组成验证样本集，将验证样本集的电压数据输入训练后的神经网络识别模型，并获得相应的温度，同时判断输出的温度相对于对应的温度检验值的识别误差是否小于预设的误差值，若是，则得到验证后的神经网络识别模型，否则，增大步骤S2中的预设训练样本数量后重复执行步骤S2；

误差＝(T

得到训练好的神经网络计算模型如果误差小于3％，模型建立完成，可以进行基于电压得到相应温度的快速计算。

本实施例提供了一种电化学脱嵌提锂的方法，所述方法包括以下步骤：

(1)将由电压监测器、包含有训练好的神经网络模型的装置和自动调温器组成的可调节系统安装到电解槽的合适位置上；

(2)电压监测器实时监测电解槽阴极电极板的电压，将实时数据输入到系统模型中，模型计算得到阳极电极板达到这个工作电压所需的温度，自动调温仪得到指令，即自动调节达到所需温度，使阳极电极板的工作电压达到与阴极电极板工作电压一致。

具体包括：

1、数据获取

模拟阳极电极板正常的工作状态，并采用逐步升温方式，获取整个工作过程中电压随温度的变化数据；同时记录电压监测器中的实时电压数据。

2、系统模型训练

S1、将上述获取的电压及温度变化数据组成总样品集；

S2、随机从总样品集中随机挑出预设训练样本数量的电压与温度数据组成训练样本集，将该训练样品集的数据输入到待训练的神经网络识别模型中进行训练，输出得到训练后的神经网络识别模型；

S3、将总样品集的未参与训练的其余数据组成验证样本集，将验证样本集的电压值输入训练后的神经网络识别模型，并获得相应的温度值，同时判断输出的温度相对于对应的温度检验值的识别误差是否小于预设的误差值，若是，则得到验证后的神经网络识别模型，否则，增大步骤S2中的预设训练样本数量后重复执行步骤S2；

3.系统应用于电解槽

阴极电极板上电压监测器输出的实时数据输入到系统模型中，模型计算得到阳极电极板达到这个工作电压所需的温度，自动调温仪得到指令，即自动调节达到所需温度，使阳极电极板的工作电压达到与阴极电极板工作电压一致。

系统测试：

(1)采用LiFePO

(2)电压监测器实时监测阴极电极板的电压，将实时数据输入到系统模型中，模型计算得到阳极电极板达到这个工作电压所需的温度，自动调温仪得到指令，即自动调节达到所需温度，使阳极电极板的工作电压达到与阴极电极板工作电压一致。

本实施例的部分结果数据如下表所示：

电化学脱嵌方法在正常工作时，由于卤水具有一定的稠度，且受到卤水中各离子的浓度的影响，会使得阴极吸锂与阳极脱锂的速率不一致；而本申请所述的电化学脱嵌提锂系统，该系统能够精准地监测电极板的工作电压，并基于阴极的实时工作电压对阳极电极板进行调节，通过调节温度的方式来改变阳极电极板的电压，控制两极的工作电压保持一致，从而在一定程度上使得吸锂和脱锂的速率达到平衡。

申请人声明，以上所述仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，所属技术领域的技术人员应该明了，任何属于本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，均落在本申请的保护范围和公开范围之内。