MétaCan
Menu
Retour à la cohorte
Enregistrement W2899172054 · doi:10.1515/htmp-2017-0106

A Thermodynamic Study of the Reduction of a Limonitic Laterite Ore by Methane

2018· article· en· W2899172054 sur OpenAlexafffund
C.A. Pickles, W. H. Anthony

Notice bibliographique

RevueHigh Temperature Materials and Processes · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueMetal Extraction and Bioleaching
Établissements canadiensQueen's University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésLateriteMethaneNickelMaterials sciencePyrometallurgyMagnetiteMetallurgyOxideCarbon fibersIron oxideFerroalloyChemistryComposite numberComposite materialSmelting

Résumé

récupéré en direct d'OpenAlex

Abstract The recovery of nickel from the oxidic nickeliferous laterite ores is receiving increasing attention due to the difficulty of recovering this metal from the sulphide ore deposits. One possible solution is to selectively reduce the nickel oxide in the ore, which could then be upgraded by, for example, magnetic concentration. In this article, a thermodynamic study was performed on the reduction of a limonitic laterite ore by methane. Methane was selected as the reducing agent as it has a lower environmental impact than carbon due to the reduced carbon dioxide emissions. The effects of temperatures and methane additions on the nickel recovery and nickel grade were investigated. High recoveries of over 95 % were predicted, but the grades were limited to about 2.5 % due to the formation of magnetite. The thermodynamic simulations for reduction by methane were in agreement with the experimental results in the literature for other reducing agents, reflecting the fact that the nickel oxide in the limonitic ore is relatively unstable. Thus, high recoveries could be achieved irrespective of the reducing agent involved.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

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)0,0020,000

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 Opus0,006
Tête enseignante GPT0,213
Écart entre enseignants0,207 · 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'étudeExpérimental (laboratoire)
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

Citations7
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHigh Temperature Materials and ProcessesMême sujetMetal Extraction and BioleachingTravaux en français237 207