Estimation of Iron Ore Pellet Softening in a Blast Furnace with Computational Thermodynamics
Notice bibliographique
Résumé
In blast furnaces it is desirable for the burden to hold a lumpy packed structure at as high a temperature as possible. The computational thermodynamic software FactSage (version 7.2, Thermfact/CRCT, Montreal, Canada and GTT-Technologies, Aachen, Germany) was used here to study the softening behavior of blast furnace pellets. The effects of the main slag-forming components (SiO2, MgO, CaO and Al2O3) on liquid formation were estimated by altering the chemical composition of a commercial acid pellet. The phase equilibria for five-component FeO-SiO2-CaO-MgO-Al2O3 systems with constant contents for three slag-forming components were computed case by case and the results were used to estimate the formation of liquid phases. The main findings of this work suggested several practical means for the postponement of liquid formation at higher temperatures: (1) reducing the SiO2 content; (2) increasing the MgO content; (3) reducing the Al2O3 content; and (4) choosing suitable CaO contents for the pellets. Additionally, the olivine phase (mainly the fayalitic type) and its dissolution into the slag determined the amount of the first-formed slag, which formed quickly after the onset of softening. This had an important effect on the acid pellets, in which the amount of the first-formed slag varied between 10 and 40 wt.%, depending on the pellets’ SiO2 content.
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 | 0,000 | 0,002 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».