Control of greenhouse gas emissions from electric arc furnace steelmaking: evaluation methodology with case studies
Notice bibliographique
Résumé
The energy intensive nature of electric arc furnace (EAF) steelmaking necessitates that efforts to reduce greenhouse gas (GHG) emissions will affect steelmakers directly and/or through electric power producers. A model of GHG emissions from an EAF meltshop has been developed using the life cycle assessment approach. Direct and indirect sources of GHG gas emissions are estimated and ranked. Furnace combustion optimisation was evaluated in case studies conducted on a Canadian conventional EAF and a British scrap preheating `shaft' furnace. The analysis assumed 32 and 68% fossil fuel electricity generation, respectively. These case studies show that indirect GHG emission sources, in particular electricity generation, are more significant than direct emissions from the EAF. For the conventional EAF, offgas analysis and improved combustion control reduced electricity consumption by 40 kWh t-1, costs by US$1·05/t, and GHG emissions by 20 kg CO2-eq./t. For the shaft EAF, real time offgas monitoring and closed loop burner control reduced electricity consumption by 25 kWh t-1, costs by US$3·6/t, and GHG emissions by 15 kg CO2-eq./t. The case studies show that combustion optimisation using an EAF offgas analysis and combustion control system provides greater electricity, cost, and GHG reductions than previously reported in the literature.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».