MétaCan
Menu
Retour à la cohorte
Enregistrement W1587332949 · doi:10.4236/jmmce.2008.71001

Mineralogical Transformations in Altasteel Electric Arc Furnace Dust Roasted with Na<sub>2</sub>CO<sub>3</sub> and Secondary Ferrite-Forming Additives

2008· article· en· W1587332949 sur OpenAlexafffund
P. C. Holloway, Thomas H. Etsell

Notice bibliographique

RevueJournal of Minerals and Materials Characterization and Engineering · 2008
Typearticle
Langueen
DomaineEngineering
ThématiqueEngineering and Environmental Studies
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésChemistryAmperePhysicsCurrent (fluid)

Résumé

récupéré en direct d'OpenAlex

The effect of secondary additives, such as CaCO 3 and MnCO 3 , on the mineralogical transformations in Altasteel EAF dust (9.4% Zn, 31.9%Fe) during roasting with Na 2 CO 3 , and metal extractions during hot water and H 2 SO 4 leaching of the roasted residues, was studied using a combination of techniques, including Design of Experiments testing, x-ray diffraction, scanning electron microscope/energy dispersive xray analysis and chemical analysis.The research objective was to promote the formation of acid insoluble metal ferrites during roasting to try to lower iron extractions during acid leaching.Neither additive was effective in reducing iron extractions due to the unexpected mineralogical changes caused during roasting by the addition of these secondary additives to this poorly crystalline EAF dust.Low CaCO 3 or MnCO 3 additions promoted the formation of manganese rich iron oxides (e.g., Mn 2 FeO 4 ), instead of MnFe 2 O 4 , which caused more iron to be available to react with Na 2 CO 3 during roasting to form acid soluble NaFeO 2 .Increased CaCO 3 additions further increased iron extractions, by further increasing the formation of Mn 2 FeO 4 ferrites, but increased MnCO 3 additions at roasting temperatures above 950°C led to the formation of a ZnFe 2 O 4 -MnFe 2 O 4 solid solution.While this resulted in lower iron extractions, lower overall zinc recoveries during acid leaching were also observed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,014
Tête enseignante GPT0,192
Écart entre enseignants0,178 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations3
Publié2008
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Minerals and Materials Characterization and EngineeringMême sujetEngineering and Environmental StudiesTravaux en français237 207