MétaCan
Menu
Retour à la cohorte
Enregistrement W4285794870 · doi:10.3390/en15145219

Pressurized Chemical Looping for Direct Reduced Iron Production: Carbon Neutral Process Configuration and Performance

2022· article· en· W4285794870 sur OpenAlexafffund
Nicole Bond, Robert T. Symonds, Robin W. Hughes

Notice bibliographique

RevueEnergies · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueChemical Looping and Thermochemical Processes
Établissements canadiensNatural Resources Canada
Organismes subventionnairesNatural Resources Canada
Mots-clésDirect reduced ironWaste managementCarbon capture and storage (timeline)Production (economics)CombustionEngineeringEnvironmental scienceMaterials scienceMetallurgyChemistry

Résumé

récupéré en direct d'OpenAlex

To achieve net-zero iron and steel production by 2050, many iron and steel producers are turning to direct reduced iron (DRI)—electric arc furnace (EAF) steel production as an opportunity to achieve significant CO2 emissions reductions relative to current levels. However, additional innovations are required to close the gap between DRI and net-zero steel. Pressurized chemical looping-DRI (PCL-DRI) is a novel technology explored to meet this target, in which the reformer firebox and fired process gas heaters are replaced with PCL combustion units. Captured CO2 is conditioned and compressed for pipeline transportation and storage/utilization. The performance of two different PCL-DRI configurations relative to traditional DRI processes was explored via process simulation: a Midrex-type process and an Energiron-type process. The PCL-DRI processes were shown to have equivalent or lesser total fuel consumption (8% reduction) compared to the base cases, and greater process water production (170–260% increase), with minimal or no loss in thermal efficiency. PCL-DRI is a strong competitor to alternative methods of reaching net-zero DRI due to lower energy penalties for carbon capture, no required changes to stream chemistry in or out of the EAF, and no requirement for hydrogen infrastructure.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil0,501

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 Opus0,008
Tête enseignante GPT0,204
Écart entre enseignants0,196 · 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'étudeExpérimental (laboratoire)
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

Citations17
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetChemical Looping and Thermochemical ProcessesTravaux en français237 207