⚡ ingeniería eléctrica

Explainable Multi-Fidelity Regression for Lithium-Ion Battery Recycling: Maximizing Economic and Environmental Outcomes under U.S. Standards

Este artículo presenta un marco de regresión de fidelidad múltiple explicable que integra la selección de características basada en PCA con la Regresión de Ridge Bayesiana para predecir con precisión la circularidad, los costos y la rentabilidad del reciclaje de baterías de iones de litio bajo escenarios de políticas de EE. UU., ofreciendo una herramienta de apoyo a la decisión escalable para optimizar los resultados económicos y ambientales.

Autores originales: Shahriar Siddique Ayon, Md AKbar Hossain, Md. Jisun Abedin Aurnob, Majharul Islam Shanto, Md. Ebrahim Hossain

Publicado 2026-10-01

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Shahriar Siddique Ayon, Md AKbar Hossain, Md. Jisun Abedin Aurnob, Majharul Islam Shanto, Md. Ebrahim Hossain

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Cada día, millones de vehículos eléctricos y dispositivos electrónicos portátiles dependen de las baterías de iones de litio para almacenar energía. A medida que estos dispositivos alcanzan el final de su vida útil, se convierten en una montaña creciente de residuos, lo que plantea graves riesgos para el suelo y el agua si simplemente se desechan. La solución reside en el reciclaje, un proceso que no solo evita el daño ambiental, sino que también recupera materiales valiosos como el litio, el cobalto y el níquel, convirtiendo los desechos nuevamente en recursos para nuevas baterías. Sin embargo, decidir cómo reciclar estas baterías es un rompecabezas complejo. Existen diferentes métodos, cada uno con sus propios costos, niveles de eficiencia e impactos ambientales. Los responsables políticos y los líderes de la industria necesitan saber qué enfoque será más rentable y sostenible a medida que las regulaciones cambian y la tecnología evoluciona, pero predecir estos resultados ha sido históricamente difícil sin herramientas claras basadas en datos.

Un equipo de investigadores ha desarrollado una nueva forma de resolver este rompecabezas mediante la creación de un sistema informático inteligente que predice el futuro del reciclaje de baterías con alta precisión. En lugar de depender de estimaciones estáticas o conjeturas teóricas, este sistema utiliza un método llamado regresión de fidelidad múltiple. Imagine intentar mapear un vasto paisaje: primero podría usar un boceto rápido de baja resolución para obtener la forma general del terreno, y luego hacer zoom con una cámara de alta resolución para capturar los detalles finos de áreas específicas. Los investigadores aplicaron esta misma lógica a su modelo informático. Combinaron un predictor de trazos amplios y rápidos con uno lento y altamente detallado. Este enfoque híbrico permite al sistema procesar vastas cantidades de información rápidamente y, al mismo tiempo, ofrecer la precisión necesaria para decisiones críticas. El modelo fue entrenado con tres conjuntos de datos distintos que cubren los años 2020 a 2050, centráéndose en qué tan bien se pueden recuperar los materiales, cuánto cuesta procesarlos y qué ganancias se pueden obtener bajo varios escenarios de políticas en los EE. UU.

Los resultados de este estudio son impactantes. Al ser probado contra otros métodos de predicción comunes, el nuevo sistema demostró ser muy superior, logrando un nivel de precisión que explica el 99% de la variación en los datos. Para predecir qué tan circular es el proceso de reciclaje —es decir, cuánto material se recupera y reutiliza con éxito—, el modelo fue excepcionalmente preciso. También proporcionó pronósticos altamente exactos para los costos de procesamiento y las ganancias potenciales, minimizando el error absoluto medio a 0.01 para la circularidad, 0.04 para el costo y 0.11 para la ganancia. Para asegurar que estas predicciones no fueran simples conjeturas de "caja negra", los investigadores utilizaron una técnica llamada inteligencia artificial explicable. Esto les permitió levantar la cortina y ver exactamente qué factores impulsaban los resultados. Encontraron que la cantidad de material que se recicla, el valor de las materias primas recuperadas y el tipo específico de método de reciclaje utilizado eran los principales motores del éxito.

El análisis reveló patrones claros que podrían guiar decisiones futuras. Por ejemplo, el estudio mostró que un escenario de política específico centrado en el desarrollo sostenible condujo consistentemente a una mejor recuperación de materiales y una mayor eficiencia en comparación con otros escenarios. Al observar los costos, un método conocido como hidrometalurgia, que utiliza soluciones químicas para extraer materiales, surgió como la opción más rentable. Sin embargo, otro método llamado reciclaje directo, que preserva la estructura interna de la batería, resultó ser el más rentable a largo plazo, a pesar de tener costos de procesamiento iniciales más altos. Los investigadores también descubrieron que el transporte juega un papel crucial; mover las baterías dentro de los Estados Unidos mediante tren o camión era menos rentable que enviarlas a China, aunque esto último conlleva una mayor huella de carbono. Al equilibrar estos factores económicos y ambientales, el sistema identificó que el reciclaje directo ofrecía el mejor equilibrio general, maximizando la ganancia mientras mantenía el impacto ambiental relativamente bajo.

Para que estos conocimientos sean útiles en la toma de decisiones del mundo real, el equipo construyó una herramienta basada en la web que cualquiera puede usar. Esta interfaz permite a los usuarios ingresar diferentes escenarios, como cambiar el tipo de batería, la ubicación de la planta de reciclaje o el año de análisis, y ver instantáneamente los resultados predichos para la circularidad, el costo y la ganancia. Esta herramienta actúa como un sistema de apoyo a la decisión para responsables políticos y partes interesadas de la industria, ayudándoles a navegar por el complejo panorama de las regulaciones de reciclaje de baterías y las condiciones del mercado. Si bien el modelo se basa actualmente en proyecciones y datos existentes, ofrece una forma escalable y confiable para optimizar las estrategias de reciclaje. Los investigadores reconocen que el sistema es una prueba de concepto y que necesitaría más pruebas y medidas de seguridad antes de ser desplegado a una escala industrial masiva. No obstante, este trabajo proporciona una nueva y poderosa lente a través de la cual ver el futuro del reciclaje de baterías, convirtiendo un desafío caótico en una oportunidad gestionable y basada en datos para una economía más sostenible.

Resumen Técnico: Regresión de Multi-Fidelidad Explicable para el Reciclaje de Baterías de Iones de Litio

Planteamiento del Problema

La rápida proliferación de vehículos eléctricos (VE) y la electrónica portátil ha acelerado la generación de baterías de iones de litio (LIB, por sus siglas en inglés) al final de su vida útil, creando desafíos ambientales y económicos urgentes. Si bien el reciclaje es crítico para la recuperación de materiales y la transición hacia una economía circular, existe una falta significativa de herramientas basadas en datos capaces de predecir conjuntamente la circularidad de los materiales, los costos de procesamiento y la rentabilidad bajo marcos normativos en evolución, específicamente los Estándares de Contenido Reciclado (RCS) de EE. UU.

La literatura existente se basa predominantemente en análisis estáticos de flujo de materiales o proyecciones teóricas que no logran capturar la heterogeneidad operativa y las compensaciones económicas del mundo real. Además, los enfoques actuales de aprendizaje automático (ML) suelen depender fuertemente de datos históricos, tienen dificultades para predecir costos o ganancias en tiempo real y carecen de interpretabilidad. En consecuencia, los responsables de la formulación de políticas y las partes interesadas de la industria carecen de un método fiable, rápido y transparente para pronosticar la viabilidad de las estrategias de reciclaje de LIB en diferentes escenarios futuros (2020–2050).

Metodología

El estudio propone un Marco de Regresión de Multi-Fidelidad Explicable diseñado para optimizar las predicciones de tres resultados clave: circularidad de materiales, costo de procesamiento y rentabilidad post-reciclaje. La metodología sigue un flujo estructurado:

1. Recopilación y Preprocesamiento de Datos

La investigación utiliza tres conjuntos de datos curados derivados de un estudio públicamente disponible (Dunn et al., alojado en Dryad), que abarcan 30 años (2020–2050) con más de 800 variaciones de escenarios. Los conjuntos de datos se categorizan como:

Conjunto de Datos de Circularidad: Rastrea el flujo de materiales, el retiro de energía y la circularidad del sistema bajo diversos escenarios de política/tecnología.
Conjunto de Datos de Costos: Desglosa los costos de reciclaje ($/kg) por tipo de proceso, niveles de desensamblaje y transporte.
Conjunto de Datos de Rentabilidad: Analiza los cambios en la rentabilidad basados en supuestos económicos y de transporte.

El preprocesamiento implicó el manejo de variables categóricas mediante codificación one-hot y de etiqueta (label encoding), detección de valores atípicos utilizando el método del Rango Intercuartílico (IQR) y partición de datos (80% entrenamiento, 20% prueba, con un 20% del entrenamiento reservado para validación).

2. Ingeniería de Características

Para identificar las variables más impactantes, los autores emplearon un enfoque híbrido de Análisis de Componentes Principales e Ganancia de Información (PCA-IG). El PCA redujo la dimensionalidad, mientras que la Ganancia de Información evaluó la relevancia de las características transformadas respecto a las variables objetivo. Este proceso identificó impulsores clave como el peso reciclado, la demanda, los tipos de procesos de reciclaje (hidrometalúrgico, pirometalúrgico, directo) y el valor de los materiales vírgenes.

3. Arquitectura del Modelo: Regresión Basada en la Fidelidad

La contribución central es un modelo novedoso de Regresión de Ridge Bayesiana (BRR) basada en la Fidelidad. Esta arquitectura integra:

Modelo de Baja Fidelidad (LF): Un predictor computacionalmente eficiente para una aproximación inicial rápida.
Modelo de Alta Fidelidad (HF): Un componente BRR probabilístico que proporciona alta precisión pero requiere más recursos.
Integración: La predicción final ( $\hat{y}$ ) es una combinación ponderada de ambos modelos: $\hat{y} = \alpha f_{LF} + (1-\alpha)f_{HF} + \epsilon$ .
Optimización: El modelo fue optimizado utilizando GridSearchCV para el ajuste de hiperparámetros (específicamente los valores de $\alpha$ y $\lambda$ ) y se comparó contra modelos ajustados mediante Optimización por Enjambre de Partículas (PSO).

4. Explicabilidad y Despliegue

Para garantizar la transparencia, se aplicaron Explicaciones Locales Interpretables Independientes del Modelo (LIME) para desagregar las influencias de las características, identificando los impulsores positivos y negativos para cada predicción. Finalmente, se desarrolló una interfaz de soporte de decisiones basada en la web (construida con React.js y Flask) para permitir a las partes interesadas ingresar parámetros y recibir predicciones en tiempo real para circularidad, costo y beneficio.

Principales Contribuciones

Selección de Características PCA-IG: Aplicación de un método híbrido de selección de características para filtrar variables y centrarse en los factores más impactantes que influyen en la circularidad, el costo y la rentabilidad.
Precisión Predictiva Superior: El modelo BRR basado en la fidelidad propuesto superó a los puntos de referencia tradicionales (Random Forest, SVR, Regresión Lineal, KNN y modelos optimizados por PSO) en los tres conjuntos de datos.
Integración de IA Explicable: El uso de LIME para identificar impulsores específicos (ej. volumen de reciclaje, valor de material virgen) que impactan positiva o negativamente los resultados económicos y ambientales.
Soporte de Decisión Operativo: Desarrollo de una interfaz web funcional que permite la planificación de escenarios en tiempo real para responsables de políticas y partes interesadas de la industria.
Perspectiva sobre Métodos de Reciclaje: Análisis que revela las compensaciones de eficiencia entre los métodos hidrometalúrgicos, pirometalúrgicos y de reciclaje directo bajo contextos regulatorios de EE. UU.

Resultados Experimentales

El modelo propuesto demostró capacidades de generalización superiores en todos los conjuntos de datos:

Predicción de Circularidad: Logró una puntuación $R^2$ de 0.99 con un Error Absoluto Medio (MAE) de 0.01.
Predicción de Costos: Logró una puntuación $R^2$ de 0.99 con un MAE de 0.04.
Predicción de Rentabilidad: Logró una puntuación $R^2$ de 0.99 con un MAE de 0.11.

Al compararse con otros modelos (incluyendo el BRR ajustado por PSO y el SR-BPNN), el BRR basado en la fidelidad produjo consistentemente las tasas de error más bajas y las puntuaciones $R^2$ más altas, particularmente tras la selección de características.

Perspectivas Clave del Análisis:

Circularidad: El Escenario de Desarrollo Sostenible (SDS) superó consistentemente al Escenario de Políticas Declaradas (STEPS) en la recuperación de materiales.
Costo: El reciclaje hidrometalúrgico fue identificado como el método más rentable ($8.38/kg), mientras que el reciclaje Directo, aunque más costoso ($12.41/kg), ofreció un mayor valor de material.
Rentabilidad vs. Medio Ambiente: El reciclaje Directo proporcionó el mejor equilibrio entre beneficio e impacto ambiental, mientras que las rutas Pirometalúrgicas resultaron ser las menos rentables y con mayor intensidad de carbono bajo las condiciones logísticas de EE. UU.

Significancia y Reivindicaciones

El artículo afirma que el marco propuesto ofrece una solución escalable, interpretable y lista para el despliegue para optimizar las estrategias de reciclaje de LIB dentro de los contextos regulatorios y de sostenibilidad de EE. UU. Al sinergizar la eficiencia computacional con el modelado probabilístico de alta precisión, el marco aborda la brecha entre el análisis teórico de flujo de materiales y la toma de decisiones operativas en tiempo real.

Los autores enfatizan que la integración de la IA explicable (XAI) transforma el modelo de una "caja negra" en un sistema de soporte de decisiones transparente, permitiendo a los responsables de políticas comprender los mecanismos específicos (ej. tasas de recolección, modos de transporte, tipos de procesos) que impulsan el desempeño económico y ambiental. El estudio posiciona esta herramienta como un activo crítico para navegar las complejas compensaciones necesarias para cumplir con los evolving Estándares de Contenido Reciclado y fomentar una economía de baterías circular.

Los autores reconocen las limitaciones, señalando que el modelo está entrenado en proyecciones de escenarios (2020–2050) y químicas específicas (LFP, NMC, NCA), lo que lo convierte principalmente en una herramienta de prospectiva estratégica en lugar de un monitor operativo dinámico en tiempo real para tecnologías de baterías emergentes. Se sugiere como trabajo futuro la integración de datos de sensores IoT y la expansión hacia tecnologías emergentes de lixiviación verde.