MétaCan
Menu
Retour à la cohorte
Enregistrement W2911443907 · doi:10.32339/0135-5910-2019-1-32-36

Energy efficient technology of hot metal smelting at PAO NLMK

2019· article· en· W2911443907 sur OpenAlexaff
С. В. Филатов, A. I. Dagman, В. Н. Титов

Notice bibliographique

RevueFerrous Metallurgy Bulletin of Scientific Technical and Economic Information · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueIron and Steelmaking Processes
Établissements canadiensNovelis (Canada)
Organismes subventionnairesnon disponible
Mots-clésBlast furnaceCokeSmeltingPulverized coal-fired boilerPig ironMetallurgyCoalCoke strength after reactionBasic oxygen steelmakingWaste managementCarbon fibersPetroleum cokeEnvironmental scienceMaterials scienceSteelmakingEngineeringComposite material

Résumé

récupéré en direct d'OpenAlex

Decrease of energy expenditure for hot metal smelting is an actual task in blast furnace technology perfection. Under conditions of PAO NLMK regimes with maximum forcing of the BF process at the expense of pressure increase under furnace mouth and coke hot strength increase were chosen as one of priority ways to increase the BF operation energy efficiency. Data on blast furnaces productivity, specific coke rate, quantity of blow-in oxygen and fuel at different gas pressure levels under the furnace mouth quoted. A dependence between pulverized coal rate and total carbon consumption determined. It was shown, that application in PAO NLMK blast furnaces of coke having hot strength of 60–65% at maximum possible pressure under the furnace mouth and application of pulverized-coal fuel enabled in the period from 2012 through 2018 to decrease the coke rate by more than 100 kg. Also the total carbon consumption decreased by more than 30 kg per hot metal ton and to increase smelting products chemical composition stability.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
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)0,0020,001

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 Opus0,004
Tête enseignante GPT0,170
Écart entre enseignants0,166 · 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'étudeSans objet
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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFerrous Metallurgy Bulletin of Scientific Technical and Economic InformationMême sujetIron and Steelmaking ProcessesTravaux en français237 207