Modelling and analysis of oxide growth kinetics and thermal effects during heat treatment of a MCLA steel: comparing gas-fired and electric furnaces
Notice bibliographique
Résumé
The growth of oxide layers during heat treatment can lead to material deterioration and alter thermal behaviour, particularly in large-scale steel components. Understanding and controlling this oxidation is essential for improving energy efficiency and preserving material integrity. This research aimed to develop predictive oxidation models and quantify the thermal impact of oxide layers on heat transfer and heating time for medium-carbon low-alloy steel. Oxidation behaviour was investigated in gas-fired and electric furnaces through lab – and real-scale experiments, microscopy, and simulations. Eighteen electric furnace tests examined growth kinetics and sublayer formation, followed by industrial tests in a gas-fired furnace using two 7-ton blocks. Models were developed to predict oxide dynamics at 900–1200°C in electric furnaces and at 1200°C in gas-fired ones. Experimental results showed oxide porosity ranging from 9.7% to 12.9% in industrial conditions, and deterioration was up to 60% lower in electric furnaces. The calculated PBR of 1.23 indicated wüstite (FeO) dominance and reflected oxygen availability. Simulations showed that oxide layers delayed heat diffusion, increasing heating time by ≈13.5% in gas furnaces, while electric furnaces reduced it by ≈8.5%. These findings provide new insights into the shift from gas-fired to electric furnaces in industrial heat treatment applications.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».