Metal recovery from spent lithium-ion batteries via two-step bioleaching using adapted chemolithotrophs from an acidic mine pit lake
Notice bibliographique
Résumé
The demand for lithium-ion batteries (LIBs) has dramatically increased in recent years due to their application in various electronic devices and electric vehicles (EVs). Great amount of LIB waste is generated, most of which ends up in landfills. LIB wastes contain substantial amounts of critical metals (such as Li, Co, Ni, Mn, and Cu) and can therefore serve as valuable secondary sources of these metals. Metal recovery from the black mass (shredded spent LIBs) can be achieved via bioleaching, a microbiology-based technology that is considered to be environmentally friendly, due to its lower costs and energy consumption compared to conventional pyrometallurgy or hydrometallurgy. However, the growth and metabolism of bioleaching microorganisms can be inhibited by dissolved metals. In this study, the indigenous acidophilic chemolithotrophs in a sediment from a highly acidic and metal-contaminated mine pit lake were enriched in a selective medium containing iron, sulfur, or both electron donors. The enriched culture with the highest growth and oxidation rate and the lowest microbial diversity (dominated by Acidithiobacillus and Alicyclobacillus spp. utilizing both electron donors) was then gradually adapted to increasing concentrations of Li + , Co 2+ , Ni 2+ , Mn 2+ , and Cu 2+ . Finally, up to 100% recovery rates of Li, Co, Ni, Mn, and Al were achieved via two-step bioleaching using the adapted culture, resulting in more effective metal extraction compared to bioleaching with a non-adapted culture and abiotic control.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».