MétaCan
Menu
Retour à la cohorte
Enregistrement W4412570014 · doi:10.3390/min15080771

Enhanced Extraction of Valuable Metals from Copper Slags by Disrupting Fayalite and Spinel Structures Using Sodium Sulfate

2025· article· en· W4412570014 sur OpenAlexaff
Shafiq Alam, Behzod Tolibov, M. Kh. Akhmedov, Umidjon Khujamov, Sardor Yarlakabov

Notice bibliographique

RevueMinerals · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueExtraction and Separation Processes
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésFayaliteSpinelCopperSulfateExtraction (chemistry)Copper slagMetallurgyChemistrySodiumSlag (welding)Environmental chemistryMaterials scienceMineralogyOlivineChromatography

Résumé

récupéré en direct d'OpenAlex

This study investigates the effects of sodium sulfate (Na2SO4) dosage, reaction temperature, and processing time on the structural decomposition of complex compounds in copper slag. Experimental results demonstrated that applying 20% Na2SO4 achieves an impressive decomposition rate of 89%, highlighting its effectiveness in liberating valuable metals from the slag matrix. The optimal temperature for maximizing fayalite decomposition is determined to be 900 °C, which significantly enhances reaction kinetics and efficiency. Furthermore, extending the reaction time to 90 min resulted in the highest observed decomposition efficiency. Subsequent leaching experiments in sulfuric acid confirmed that the liberated metal transitioned into the solution phase was very effective, ensuring high metal recovery rates. The treated samples demonstrated metal recovery rates of 97% for copper (Cu), 96% for iron (Fe), and 93% for zinc (Zn). In contrast, the untreated samples exhibited considerably lower recovery rates, with copper at 61%, iron at 59%, and zinc at 65%. Additionally, this approach mitigates filtration challenges by preventing the formation of silica gel. These findings provide key operational parameters for optimizing metal recovery from copper slag and establish a solid foundation for advancing sustainable and efficient resource extraction research.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,032
Score d'incertitude au seuil0,519

Scores Codex et Gemma par catégorie

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)0,0000,000

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 Opus0,018
Tête enseignante GPT0,303
Écart entre enseignants0,285 · 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 tête enseignante, 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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMineralsMême sujetExtraction and Separation ProcessesTravaux en français237 207