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
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
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.
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) | 0,000 | 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 découle