Selective Recovery of Zinc from Alkaline Batteries via a Basic Leaching Process and the Use of a Machine Learning-Based Digital Twin for Predictive Purposes
Notice bibliographique
Résumé
Recycling the metals found in spent batteries offers both environmental and economic benefits, especially when extracted and purified using environmentally friendly processes. Two basic leaching agents were tested and compared: ammonium hydroxide (NH4OH) and sodium hydroxide (NaOH). Using NH4OH 4 M at 25 °C, 30.5 ± 0.7 wt. % of zinc (Zn) was dissolved for a solid/liquid (S/L) ratio of 1/10 (g of black mass (BM)/mL of solution); meanwhile, with NaOH 6 M at 70 °C, and an S/L ratio of 1/5 (g of BM/mL of solution), 69.9 ± 2.8 wt. % of the Zn initially present in the BM of alkaline batteries was leached. A virtual representation of the experimental data through digital twins of the alkaline leaching process of the BM was proposed. For this purpose, 90% of the experimental data were used for training a supervised learning procedure involving 600 different artificial neural networks (ANNs) and using up to 12 activation functions. The application was able to choose the most suitable ANN using an ANOVA analysis. After the training step, the network was tested by predicting the outputs of inputs that were not used in the training process, to avoid overfitting in a validating process with 10% of the data. The best model was employed for estimating the degree of leaching of different metals that can be obtained from BM, obtaining a data deviation of less than 10% for highly concentrated compounds such as Zn.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».