MétaCan
Menu
Retour à la cohorte
Enregistrement W3089717279 · doi:10.3390/cryst10100901

Numerical Simulation of Melting Kinetics of Metal Particles during Tapping with Argon-Bottom Stirring

2020· article· en· W3089717279 sur OpenAlexafffund
Kinnor Chattopadhyay, Rodolfo Morales-Dávila, Alfonso Nájera‐Bastida, Jafeth Rodríguez‐Ávila, Carlos Rodrigo Muñiz-Valdés

Notice bibliographique

RevueCrystals · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueMetallurgical Processes and Thermodynamics
Établissements canadiensUniversity of Toronto
Organismes subventionnairesUniversity of TorontoConsejo Nacional de Ciencia y Tecnología
Mots-clésLadleMaterials scienceSuperheatingArgonMetallurgyParticle (ecology)KineticsDiffusionMelting pointComposite materialThermodynamicsChemistryGeology

Résumé

récupéré en direct d'OpenAlex

Molten steel is alloyed during tapping from the melting furnace to the argon-bottom stirred ladle. The metallic additions thrown to the ladle during the ladle filling time are at room temperature. The melting rates or kinetics of sinking-metals, like nickel, are simulated through a multiphase Euler–Lagrangian mathematical model during this operation. The melting rate of a metallic particle depends on its trajectory within regions of the melt with high or low turbulence levels, delaying or speeding up their melting process. At low steel levels in the ladle, the melting rates are higher on the opposite side of the plume zone induced by the bottom gas stirring. This effect is due to its deviation after the impact of the impinging jet on the ladle bottom. The higher melting kinetics are located on both sides at high steel levels due to the more extensive recirculation flows formed in taller baths. Making the additions above the eye of the argon plume spout increases the melting rate of nickel particles. The increase of the superheat makes the heat flux more significant from the melt to the particle, increasing its melting rate. At higher superheats, the melting kinetics become less dependent on the fluid dynamics of the melt.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,295
Score d'incertitude au seuil0,409

Scores Codex et Gemma par catégorie

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)0,0000,000

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 Opus0,017
Tête enseignante GPT0,218
Écart entre enseignants0,201 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations8
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCrystalsMême sujetMetallurgical Processes and ThermodynamicsTravaux en français237 207