A greener method to recover critical metals from spent lithium-ion batteries (LIBs): Synergistic leaching without reducing agents
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
Efficient recycling of critical metals from spent lithium-ion batteries is vital for clean energy and sustainable industry growth. Conventional methods often fail to manage large waste volumes, leading to hazardous gas emissions and dangerous materials. This study investigates innovative methods for recovering critical metals from spent LIBs using synergistic leaching. The first step optimized thermal treatment conditions (570 °C for 2 h in air) to remove binder materials while maintaining cathode material crystallinity, confirmed by X-ray diffraction (XRD) analysis. Next, response surface methodology (RSM), I-optimal, was used to examine the synergistic effects of sulfuric acid (SA) and organic acids (Org, citric and acetic acids) and their concentrations (SA: 0.5–2 M and Org: 0.1–2 M) on metal leaching for an eco-friendlier process. Results showed that adding citric acid to SA was more effective, especially at lower concentrations, than using acetic acid. The medium was tested to evaluate the impact of reductant addition. Remarkably, it was discovered that the optimized leaching mixture (1.25 M SA and 0.55 M citric acid) efficiently extracted metals without the need for any reductant like H2O2, highlighting its potential for a simpler and more eco-friendly recycling process. Further optimization identified the ideal solid-to-liquid ratio (62.5 g/L) to minimize acid use. Finally, RSM (D-optimal) was used to investigate the effects of time and temperature on leaching, achieving remarkable recovery rates of 99% ± 0.7 for Li, 98% ± 0.0 for Co, 90% ± 6.6 for Ni, and 92% ± 0.4 for Mn under optimized conditions at 189 min and 95 °C. Chemical cost analysis revealed this method is about 25% more cost-effective than conventional methods.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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