Supercritical Fluid Extraction of Lithium-Ion Battery Materials: Predictive Modeling and Mechanistic Insights Using COSMO–DFT Framework
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
Supercritical fluid extraction (SCFE) has emerged as a promising strategy for recovering critical battery metals from end-of-life lithium-ion batteries (LIBs), offering a sustainable alternative to conventional hydrometallurgical approaches. In this study, we investigate the SCFE of lithium (Li), nickel (Ni), cobalt (Co), manganese (Mn), aluminum (Al), and copper (Cu) from NMC black mass. The process utilizes a TBP–HNO 3 complex with supercritical CO 2 and includes the addition of hydrogen peroxide (H 2 O 2 ) as a reducing agent. H 2 O 2 facilitates the conversion of high-valent metal ions (e.g., Co 3+, Ni 3+ ) to divalent forms, enhancing their solubility and enabling the formation of extractable metal–ligand complexes in the nonpolar sc-CO 2 phase. To elucidate the extraction mechanism and predict solubility, sc-CO 2 /water partition coefficients of metal–nitrate–TBP complexes were calculated using the COSMO-vac model, with molecular structures optimized via density functional theory (DFT). The calculated partition coefficients align closely with experimental extraction trends, confirming the model’s predictive capability. Additionally, the roles of oxidation state, system pressure, and water coordination in influencing extraction efficiency were systematically examined. This work demonstrates the utility of COSMO-based modeling in guiding SCFE process design and highlights the potential of SCFE for sustainable critical metal recovery.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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