Applications of Computational Fluid Dynamics (CFD) in iron- and steelmaking: Part 1
Notice bibliographique
Résumé
All operations in process metallurgy involve complex phenomena comprising momentum, heat, and/or mass transport; iron- and steelmaking is not an exception. Transport phenomena, i.e. fluid flows, heat transfer and mass transfer, play a dominant role in process metallurgy since their respective laws govern the kinetics of the various physical phenomena occurring in ironmaking and in steelmaking. These phenomena include such events as three-phase reactions, entrainment of slag and gas in liquid steel, vacuum degassing, alloy melting and mixing, the movements and flotation of inclusions, melt temperature losses, residence times in a metallurgical reactor, erosion of refractory linings, etc. In all these aspects, the evolution in our techniques and abilities to model single and multiphase flows and their attendant heat and mass transfer processes has contributed significantly to our understanding and effectively operating these processes, to designing improvements, and to developing new processes. To be ignorant of these matters can doom a processing operation to the scrap heap of metallurgical failures. Computational fluid dynamics (CFD) and computational heat and mass transfer has been a very effective tool over the last three decades, for modelling iron- and steelmaking processes, starting from the blast furnace up to continuous casting and beyond. With the advent of commercial CFD packages and ever increasing computational power through parallel processing, CFD has now become the dominant approach for predicting various aspects in iron- and steelmaking processes. In Part 1 of this review paper, the applications of CFD in ironmaking processes are thoroughly reviewed, discussed and critiqued. In Part 2, fluid flows and CFD in steelmaking and steel casting processes are similarly reviewed and critiqued.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».