Computational fluid dynamics and combustion modelling of HIsarna incinerator
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
HIsarna technology combines the cyclone converter furnace (CCF) technology owned by Tata Steel and the HIsmelt technology owned by RioTinto. The CCF is mainly a prereduction vessel that prereduces and melts the iron ore particles, while the final reduction to metallic iron takes place in the smelt reduction vessel. The off-gases from the smelt reduction vessel undergo post-combustion in the CCF. Depending on the operating conditions of the HIsarna process, the off-gases may still contain small amounts of unburnt carbon and hydrogen; hence, for process safety and environmental reasons, they are passed through an incinerator that needs to be operated within a temperature window that will guarantee full combustion of the off-gases. In one of the HIsarna campaigns, it was observed that the temperatures in the incinerator dropped significantly during short periods of production. In order to avoid this phenomenon, the HIsarna process can be adjusted to meet the design conditions in the incinerator, but this is not a preferred option. A computational fluid dynamics study of the incinerator was carried out with different compositions of off-gases from the CCF with varying degrees of post-combustion and flowrates, in order to improve its design and operation. The combustion model predicted complete burn out of CO, CH4 and H2 when sufficient air/O2 was injected. The computational fluid dynamics study showed that in all the cases, the flow pattern of the gases remained asymmetric. The temperature in the incinerator was generally higher if natural gas was mixed with the cyclone off-gas and much higher if oxygen was also injected. Modifications to the incinerator layout were recommended. In subsequent HIsarna trials, the new design was successfully implemented.
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.
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 découle