Experimental Study on Indirect CO<sub>2</sub> Mineralization of Industrial Solid Wastes: Electric Arc Furnace (EAF) Slag and Nickel Mine Tailings
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide CO 2 mineralization utilizing alkaline industrial wastes as feedstocks is a promising approach for long-term carbon sequestration. This study investigates the indirect carbonation of electric arc furnace (EAF) steel slag and nickel mine tailing using two leaching agents, inorganic hydrochloric acid (HCl) and waste-derived acid mine drainage (AMD). The efficiency of metal leaching and CO 2 sequestration capacity were evaluated under varying process conditions, including temperature and carbonation reaction acceleration by ultrasound cavitation. Results demonstrated that AMD can be a viable alternative to HCl, potentially reducing chemical costs while aiding in mine waste remediation. However, the effectiveness of both leaching and carbonation processes is strongly influenced by the mineralogical composition of the feedstocks. For serpentine-based feedstock rich in magnesium (nickel tailing), using AMD as a leaching agent resulted in a sequestration capacity of up to 65.12 g-CO 2 /kg-Ni-Tailing versus 18.28 g-CO 2 /kg-Ni-Tailing with HCl at room temperature. Conversely, for EAF steel slag rich in calcium, the trend was opposite, with HCl achieving a sequestration capacity of up to 154.76 g-CO 2 /kg-EAF versus 63.58 g-CO 2 /kg-EAF with AMD. The study further explores the impact of operating temperature and ultrasound process intensification on reaction kinetics, concluding that CO 2 sequestration efficiency was improved either by increasing the temperature or employing ultrasound processing. These findings contribute to the development of sustainable mineralization strategies for industrial waste valorization and greenhouse gas mitigation.
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 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 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».