Impact on refractory lining due to the transition from carbon-based fuels and reductants to hydrogen: separating myths from facts
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
The global drive to significantly reduce greenhouse gas emissions is pushing industries to adopt hydrogen as both a reducing agent and fuel for high-temperature processes. While some knowledge exists on the impact of hydrogen-rich reducing atmospheres on refractory linings from established industrial processes like glass manufacturing, ammonia or syngas synthesis, and natural gas-based direct reduced iron (DRI), the use of hydrogen as a reductant for iron production is gaining traction as a key solution for the steel industry's transition to net-zero emissions. This involves using hydrogen in small percentages to replace coal in blast furnaces and, more significantly, substituting natural gas with hydrogen in the DRI process, potentially up to 100 %. Moreover, the growing demand for fossil-free fuels has spurred the development of innovative and optimized hydrogen and syngas generation technologies.While new and established processes differ in their specific conditions, there is a limited amount of information available in the literature about the long-term effects of hydrogen-rich atmospheres on refractories. Recent studies have yielded contradictory results compared to earlier research, making it challenging to discern myths from facts and accurately assess the performance and lifespan of refractory linings in these environments. This presentation aims to share fact-based findings from ongoing research and our experience in various industries, providing insights into the impact of hydrogen on refractory linings as a function of process conditions and testing parameters.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle