Cost optimization of scrap when making steel with an electric arc furnace
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In steel production, an electric arc furnace (EAF) is most commonly used to melt raw material in order to produce liquid steel. Scrap is the main raw material which differs in regard to the content of iron and of some chemical elements. The price of scrap depends on these attributes. In order to obtain the desired quality and quantity, each melting bath unit of steel has either its own material constraints or the constraints for electric arc furnace such as the capacity of EAF. In addition, the availability and transportation of scrap are also restricted because they need space. The research in this thesis is to create an optimization model which minimizes the cost of raw material and charges the EAF efficiently while meeting the constraints of the scrap recipe and scrap transportation system. This problem is a combinational optimization problem and the model is developed based on linear programming theory. The running speed of the model is reasonably guaranteed by properly designing the combinatorial structure with branch and bound rules and heuristics. Finally, a software is created by representing the model in the spreadsheet, which can be used in real, everyday production. Simulation results show significant improvement compared to the strategy applied today at ArcelorMittal(Contrecoeur, Quebec): the cost of scrap steel is reduced by 2 to 6% and the time of charging buckets is 2 to 10 minutes faster.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle