Pretreatment and Valorization of Critical Materials from Lithium‐Ion Batteries Using Electrostatic and Magnetic Separation
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
The electric revolution has driven a significant increase in the use of rechargeable batteries, particularly lithium‐ion batteries, which contain several strategic elements and critical materials: Li, Co, Ni, P, and graphite. Efficient recovery of these materials is crucial to enhancing the resilience of the materials supply chain. Traditional recycling methods such as pyrometallurgy and hydrometallurgy have limitations, including high carbon intensity, cost, and limited material recovery. Robust physical separation pretreatment technologies can increase material purity for recycling. This study shows the utilization of electrostatic and magnetic separation processes across four distinct commercial cathode chemistries to produce high‐grade cathodic and anodic electrode products. Production scrap and end‐of‐life cells are used, with LiMn 2 O 4 –LiNi 0.8 Co 0.15 Al 0.05 O 2 (LMO/NCA), LiFePO 4 (LFP), LiCoO 2 (LCO), and LiNi 0.5 Mn 0.3 Co 0.2 O 2 (NMC532) cathode chemistries, all partnered with graphite anodes. The application of these two separation technologies significantly improves the separation efficiency of shredded electrodes, leading to >98% recovery of shredded NMC cathode electrodes, and with >99% recovery of LMO–NCA electrodes, and >98% recovery of LFP electrodes. LCO is not found to be suitable for these separation processes. These advanced pretreatment methods produce high‐purity concentrates of valuable cathode feedstocks, which can support secondary (critical) material feedstocks, and ultimately will reduce subsequent energy consumption.
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 | 0,000 |
| 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 découle