Design of an aqueous particle sensor (APS) for optimizing inclusion removal by bubbles in tundish operations
Notice bibliographique
Résumé
Due to the increasingly stringent cleanliness requirements for final steel products, there has been growing interest in using micro gas bubble injection in the steelmaking tundish for the removal of inclusions with diameter smaller than 50μm. However, several technological barriers prevent adoption of this technique in industry. These are related to the generation of micro bubbles, measurement of bubble size distributions, and optimization of bubble injection conditions.In the present study, a novel Aqueous Particle Sensor (APS) IV system was developed for in-situ, on-line detection of bubbles generated by a newly designed ladle shroud located at McGill Metal Processing Centre (MMPC). Measurement results from the sensor were validated against bubble size data collected through a high speed camera. The Aqueous Particle Sensor (APS) III system was also used experimentally under various gas injection conditions to optimize inclusion removal efficiency. Control variable and orthogonal experiments were designed to assess the dependence of the final steel cleanliness and bubble size on key experimental parameters. These were the air inlet flowrates, the distance from the injection port to the slide gate, and the number of injection ports.The investigation demonstrated that the APS system can be successfully used for micro-bubble detection. Through this novel sensor it was shown that multi-port injection using a small air inlet flowrate and a shorter distance from the slide gate can be used to promote the formation of small micro-bubbles. However, optimizing the gas injection flowrate for inclusion removal requires a compromise between reducing the bubble size and increasing the number of micro-bubbles.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».