Simulation of Runout Table Cooling
Notice bibliographique
Résumé
Accelerated cooling on the runout table of hot mills has become a key technology to produce thermo‐mechanically controlled processed (TMCP) steel plates and strips. During runout table cooling austenite decomposition takes place and determines the final microstructure and, hence, the properties of the hot‐rolled steel. There is an increased tendency to produce higher strength TMCP steels with complex microstructures including bainite and martensite. To tailor these microstructures, it is required to carefully design runout table cooling paths and lower the cooling stop and coiling temperature, respectively, for producing flat products with homogeneous mechanical properties. Thus, simulation of runout table cooling is a crucial aspect of process modeling. In the present paper, the status of runout table simulation approaches is reviewed. In particular, the three boiling mechanisms of water cooling, that is, nucleate, transition, and film boiling are discussed. The development of appropriate heat transfer coefficients is rather mature for nucleate and film boiling, respectively. Modeling and controlling the transition boiling regime below the Leidenfrost temperature remains a challenge as heat extraction rates increase with decreasing steel temperature. The status of heat transfer simulations for transition boiling is thus discussed in detail. Currently, the proposed heat transfer correlations, while increasingly based on the underlying physics, still contain a number of empirical parameters that require tuning with experimental and/or mill data. The review is limited to information in the open literature while recognizing that a number of proprietary in‐house runout table cooling models exist that are developed either by equipment makers or steel companies to control accelerated cooling to lower cooling stop or coiling temperatures.
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 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) | 0,001 | 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 tête enseignante, 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 ».