Progress and Status of Hydrometallurgical and Direct Recycling of Li-Ion Batteries and Beyond
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
An exponential market growth of Li-ion batteries (LIBs) has been observed in the past 20 years; approximately 670,000 tons of LIBs have been sold in 2017 alone. This trend will continue owing to the growing interest of consumers for electric vehicles, recent engagement of car manufacturers to produce them, recent developments in energy storage facilities, and commitment of governments for the electrification of transportation. Although some limited recycling processes were developed earlier after the commercialization of LIBs, these are inadequate in the context of sustainable development. Therefore, significant efforts have been made to replace the commonly employed pyrometallurgical recycling method with a less detrimental approach, such as hydrometallurgical, in particular sulfate-based leaching, or direct recycling. Sulfate-based leaching is the only large-scale hydrometallurgical method currently used for recycling LIBs and serves as baseline for several pilot or demonstration projects currently under development. Conversely, most project and processes focus only on the recovery of Ni, Co, Mn, and less Li, and are wasting the iron phosphate originating from lithium iron phosphate (LFP) batteries. Although this battery type does not dominate the LIB market, its presence in the waste stream of LIBs causes some technical concerns that affect the profitability of current recycling processes. This review explores the current processes and alternative solutions to pyrometallurgy, including novel selective leaching processes or direct recycling approaches.
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) | 0,001 | 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