Recovery of nickel and cobalt from nickel laterite leach solution using chelating resins and pre‐reducing process
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The aim of this work was to recover nickel and cobalt from a nickel laterite leach solution using chelating resins combined with a pre‐reducing process. Sodium sulphite was used as a reducing agent to convert Fe(II) from Fe(III) and increase adsorption efficiency. Batch experiments were performed using synthetic solutions to study the effect of pH in recovering these metals using chelating resins Lewatit TP 207 and Lewatit TP 220. Column experiments were performed to simulate the fixed‐bed column process in the following two steps: first, removing copper; and second, recovering nickel and cobalt. Two acids were tested as eluent, namely, sulphuric and hydrochloric acid 1M and 2M. Batch experiments showed that increasing the recovery of the metals accompanied an increase in pH. Copper recovery was maximal at pH 2.00, and the resin selectivity changed in pH above 2, decreasing copper adsorption. However, batch experiments showed that nickel and cobalt recovery was higher at pH 3.50, and resin adsorbed a high concentration of contaminants such as iron, zinc, and chromium. For this reason, nickel and cobalt recovery at pH 2.00 was better in column experiments, with less of the contamination in the metals being adsorbed by the resin and a high selectivity for nickel and cobalt. Hydrochloric acid 2M showed to be more efficient as eluent than sulphuric acid. A precipitation process using NaOH was used to remove contaminants present in the eluent solution, and Cyanex 272 was used to separate cobalt and nickel through the solvent extraction process.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle