Selective Extraction of Critical Metals from Spent Lithium-Ion Batteries
Notice bibliographique
Résumé
Selective and highly efficient extraction technologies for the recovery of critical metals including lithium, nickel, cobalt, and manganese from spent lithium-ion battery (LIB) cathode materials are essential in driving circularity. The tailored deep eutectic solvent (DES) choline chloride–formic acid (ChCl–FA) demonstrated a high selectivity and efficiency in extracting critical metals from mixed cathode materials (LiFePO 4:Li(NiCoMn) 1/3 O 2 mass ratio of 1:1) under mild conditions (80 °C, 120 min) with a solid–liquid mass ratio of 1:200. The leaching performance of critical metals could be further enhanced by mechanochemical processing because of particle size reduction, grain refinement, and internal energy storage. Furthermore, mechanochemical reactions effectively inhibited undesirable leaching of nontarget elements (iron and phosphorus), thus promoting the selectivity and leaching efficiency of critical metals. This was achieved through the preoxidation of Fe and the enhanced stability of iron phosphate framework, which significantly increased the separation factor of critical metals to nontarget elements from 56.9 to 1475. The proposed combination of ChCl–FA extraction and the mechanochemical reaction can achieve a highly selective extraction of critical metals from multisource spent LIBs under mild conditions.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».