Evaluating economic and environmental viability of recycling lithium-ion battery for electric vehicles in the middle east: a case study in the UAE
Notice bibliographique
Résumé
The environmental impacts caused by the manufacturing of spent lithium-ion batteries (LIBs) and the supply risks of the valuable metals in electric vehicle (EV) batteries can be mitigated by recycling used LIBs. This study employed a Cradle-to-Gate life cycle assessment (LCA) and cost-benefit analysis, to evaluate the environmental and economic advantages of recycling and remanufacturing Nickel Manganese Cobalt (NMC) cells using hydrometallurgical and pyrometallurgical processes, compared to manufacturing with virgin materials. In the regional context, hydrometallurgy-based LIB remanufacturing has the potential to reduce energy consumption and greenhouse gas (GHG) emissions by 10.7%, accompanied by 11.3% cost savings, compared to virgin material manufacturing. However, despite its potential for GHG emission reduction, pyrometallurgy-based remanufacturing is economically unviable across all scenarios considered. The economics of LIB recycling are significantly influenced by spent LIB costs, requiring careful management of market trends and purchase expenses for feasibility. Challenges have arisen from the increasing volume of spent LIBs and production cost fluctuations. Various LIB chemical compositions yield nuanced outcomes, with NMC111 and NMC811 showing promise for economic and environmental aspects, respectively, while NMC532 and NMC111 demonstrate relative suitability for a cell remanufacturing. Preliminary analysis of Lithium Iron Phosphate (LFP) batteries, an emerging chemistry with growing adoption, highlights unique challenges underscoring the need for further research. This study marks the first economic and environmental evaluation of LIB recycling in the oil-rich Middle East, emphasizing the need for an assessment tailored to the UAE to inform regional policy development. This framework could be adapted for use in other Middle Eastern countries, aiding the formulation of effective regional policies and regulations.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».