Supercritical Fluid Extraction of Lithium-Ion Battery Materials: Predictive Modeling and Mechanistic Insights Using COSMO–DFT Framework
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».