Efficient Lithium Recovery from Water Using Polyamide Thin-Film Nanocomposite (TFN) Membrane Modified with Positively Charged Silica Nanoparticles
Notice bibliographique
Résumé
The separation of Li + from Mg 2+ in salt-lake brines using nanofiltration (NF) has become the most popular solution to meet the rising demand for lithium, particularly driven by the extensive use of lithium-ion batteries. This study presents the fabrication of a uniquely designed polyamide (PA) thin-film nanocomposite (TFN) membranes with ultrahigh Li + /Mg 2+ selectivity and enhanced water flux by covalently incorporating mixed ligands functionalized silica nanoparticles (F-SiO 2 NPs) into the selective PA layer and covalently bonding them to the membrane surface. In this strategy, bare silica nanoparticles (SiO 2 NPs) were functionalized with mixed superhydrophilic ligands, including primary amine and quaternary ammonium groups, resulting in a highly positive surface charge primarily from the quaternary ammonium groups and enabling covalent conjugation via amine groups. Among the F-SiO 2 NP-incorporated membranes, M500 containing 500 ppm of F-SiO 2 NPs exhibited the best performance. In a solution with 2000 ppm salt concentration (Li + /Mg 2+ ratio of 1:20), the M500 membrane showed an improved Li + /Mg 2+ selectivity of 7.41 compared to the nonmodified TFC membrane, which had a selectivity of 5.05. Further surface conjugation of the M500 sample with 1500 ppm of F-SiO 2 NPs resulted in the C1500 membrane, demonstrating the best performance among all of the surface-modified membranes. C1500 showed an outstanding Li + /Mg 2+ selectivity of 37.95, with a Mg 2+ rejection of 95.7% and a Li + rejection of −63.2%, and a water flux of 56.0 L m –2 h –1 at 70 psi. Notably, a 7.5-fold improvement in Li + /Mg 2+ selectivity over the TFC membrane was achieved without compromising the water flux. This is evident from the nearly identical water flux values of the TFC, M500, and C1500 membranes, which were 57.1, 54.8, and 56.0 L m –2 h –1, respectively. Considering key factors for large-scale applications, such as cost-effectiveness, environmental impact, the abundance of synthetic precursors, and the maturity of synthesis and tailoring technologies, SiO 2 NP-based modifications outperform all other reported approaches to date.
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) | 0,000 | 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 | 0,000 |
| 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 ».