MétaCan
Menu
← Retour à la cohorte
Enregistrement W4403584195 · doi:10.1002/cjce.25524

Potassium sulphate production from an aqueous sodium sulphate from lead‐acid battery recycling: Impact of feedstock impurities on products yields

2024· article· en· W4403584195 sur OpenAlexafffundvenue
Barialo Zorzor, Michael Fabrik, Hussameldin Ibrahim

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueExtraction and Separation Processes
Établissements canadiensUniversity of Regina
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Foundation for InnovationUniversity of Regina
Mots-clésRaw materialPotassiumImpurityChemistryLead–acid batterySodiumAqueous solutionLead (geology)Inorganic chemistryPulp and paper industryBattery (electricity)Organic chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract The increasing demand for renewable energy highlights the need for efficient energy storage solutions. Despite various available technologies, lead‐acid batteries remain preferred for many industrial applications due to their inherent advantages. However, their expanded use necessitates proper waste management and recycling practices. During lead‐acid battery recycling, Na₂SO₄ is generated as a waste product, which cannot be directly sold due to quality concerns and limited market demand. Consequently, advanced waste management techniques are required to comply with government regulations on industrial waste disposal. Despite these challenges, Na2SO4 serves as a vital precursor for producing K2SO4, a valuable fertilizer. Prior research on the glaserite process for converting Na2SO4 to K2SO4 has assumed Na2SO4 to be pure—without traces of impurities. However, Na2SO4 recovered from battery recycling contains various contaminants. To address this, HSC Chemistry software was used to model K2SO4 and NaCl production from impure Na2SO4 and KCl, considering feed impurities. Under ideal conditions—a 1 bar pressure, 25°C feed temperature, and 40°C reactor temperature—over 90% yield of K2SO4 and NaCl was achieved in the absence of impurities. However, the addition of impurities resulted in a reduction in yields. Notably, impurity levels ranging from 1% to 4% by weight still allowed for yields exceeding 90%. Furthermore, a review of reactor compositions revealed a significant depletion of potassium and chlorine ions which are crucial for K2SO4 and NaCl production as impurity levels varied from 0% to 10%. These findings emphasize the negative impact of impurities on K2SO4 and NaCl yields.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,238
Écart entre enseignants0,222 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical Engineering→Même sujetExtraction and Separation Processes→Travaux en français237 207→