MétaCan
Menu
Retour à la cohorte
Enregistrement W4409373357 · doi:10.3390/ma18081748

Water–HCl Sequential Leaching of Waste Barrier Material from Aluminum Electrolysis Cell

2025· article· en· W4409373357 sur OpenAlexaff
Yujie Zhao, Shuhua Li, Junfeng Cheng, Yuting Chen, Weiping Liu, Wei Sun, Shafiq Alam

Notice bibliographique

RevueMaterials · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueBauxite Residue and Utilization
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesFundamental Research Funds for Central Universities of the Central South University
Mots-clésLeaching (pedology)ElectrolysisMaterials scienceWaste managementAluminiumMetallurgyChemical engineeringEnvironmental scienceChemistryEngineeringElectrodeElectrolyte

Résumé

récupéré en direct d'OpenAlex

The Hall-Héroult aluminum production process generates lithium-rich waste barrier materials, which are challenging to process using conventional acid leaching due to the environmental risks posed by hydrofluoric acid (HF) emissions. This research introduces a two-stage water-HCl sequential leaching (WHSL) approach to recover lithium while reducing these environmental impacts. The method evaluates key factors, such as the liquid-solid ratio, temperature, duration, rotation speed, and HCl concentration, and compares its efficacy with traditional HCl leaching using XRD, FTIR, DBP, and SEM techniques. The findings indicate that initial water leaching dissolves NaF salts, creating surface grooves and cracks. Subsequent HCl leaching selectively extracts lithium from aluminum and silicon, forming silica gel while preserving the nepheline phase due to its structural integrity. The process produces a porous residue with smaller particles, reduced surface potential, and promotes colloidal aggregation. This two-step process achieves efficient lithium recovery while reducing acid consumption and minimizing hydrogen fluoride (HF) emissions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,196
Écart entre enseignants0,191 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterialsMême sujetBauxite Residue and UtilizationTravaux en français237 207