Black mass impurities effect on re-synthesized NMC811 by carbonate coprecipitation
Notice bibliographique
Résumé
The rapid expansion of electromobility and renewable energy storage has increased lithium-ion battery production, emphasizing the need for efficient end-of-life management and critical material recovery. Mechanical pretreatment of spent batteries yields a black mass containing valuable oxides and metallic impurities, primarily Al, Cu, and Fe. This study investigated the impact of Al 3+ , Cu 2+ and Fe 2+ impurities on the carbonate coprecipitation synthesis of LiNi 0.8 Mn 0.1 Co 0.1 O 2 (NMC811) precursors to simplify cathode resynthesis from acid leachate. Electrochemical testing showed improved performance for NMC811 materials doped with 1–3 at% Al 3+ , 2 at% Fe 2+ , or co-doped with Al–Fe at total concentrations of 2–4 at%, compared to undoped NMC811. Rietveld refinement of XRD patterns revealed reduced Li + /Ni 2+ cation mixing in these same concentrations, confirming structural stabilization. In contrast, Cu 2+ doping beyond 1 at%, whether alone or in combination, did not yield additional benefits and instead led to increased disorder. These findings suggest that leachates containing up to these impurity levels could be used directly in resynthesis without further purification, as the resulting NMC811 retained equal or improved performance. This supports a more sustainable and resource-efficient recycling process by reducing water, reagent, and energy consumption. • Impurity-tolerant recycling saves reagents and energy for greener NMC811 resynthesis. • Controlled Al 3+ and Fe 2+ content can enhance structural & electrochemical stability. • Cu impurities above 1 at% impair capacity and structural ordering in NMC811. • Al–Fe co-doping improves NMC811 rate capability and cycling stability.
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 ».