Phenomenological Modeling of Supercritical CO <sub>2</sub> Extraction for Critical Metal Recovery from NMC Black Mass
Notice bibliographique
Résumé
The rapid growth of electric vehicle adoption is intensifying demand for lithium-ion batteries (LIBs), resulting in a rising volume of spent batteries and the need for efficient recycling strategies to recover critical metals. Supercritical fluid extraction (SCFE) using supercritical carbon dioxide (sc-CO 2 ) offers a sustainable route for metal recovery, particularly when combined with chelating and reducing agents. This study develops a phenomenological modeling framework by integrating Sovová’s broken and intact cell (BIC) model with the shrinking-core model to describe the extraction kinetics of Li, Co, Mn, and Ni from real NMC111 black mass. The BIC model successfully predicted extraction curves with deviations below 1.1%, identifying a Type A pattern dominated by rapid surface extraction followed by intraparticle diffusion. Shrinking-core analysis confirmed ash-layer diffusion as the rate-determining step, with apparent activation energies ranging from 4.8 to 14.9 kJ/mol. Comparison with Chrastil empirical solubility modeling validated the predictive accuracy of the BIC approach, highlighting stable solubility behavior for Li and Co and stronger sensitivity for Mn and Ni. By bridging macroscopic kinetics with mechanistic insights, this work establishes a predictive framework for optimizing SCFE processes, advancing environmentally responsible and scalable recycling of strategic metals from end-of-life LIBs.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».