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
Dans la production d'acier, four à arc électrique (FEA) est la technologie la plus couramment utilisée pour faire fondre les matières premières afin de obtenir de l'acier liquide. La ferraille est la matière première principale dont les types se diffèrent selon le contenu de fer et d'autres éléments chimiques. Le prix de la ferraille dépend de ces attributs. Afin d'obtenir la qualité et la quantité souhaitées, chaque unité bain de fusion de l'acier a subi à ses propres contraintes matérielles ou des contraintes liées au four à arc électrique, telles que la capacité du FEA. En outre, la disponibilité et la capacité à transporter de la ferraille sont également limitées, en raison d'espace limité. L'objectif dans cette thèse est de créer un modèle d'optimisation qui minimise le coût des matières premières et charge le FEA efficacement afin de satisfaire des contraintes de la recette de ferraille et de transport de ferraille. Le modèle est développé sur la base de théorie de la programmation linéaire. La vitesse de l'exécution du modèle est raisonnablement garantie par une bonne conception de la structure combinatoire avec les règles de 'branch and bound' et heuristiques. Enfin, un logiciel qui applique le modèle est créé. Celui-ci peut être utilisé dans la production réelle quotidienne. Les résultats des simulations montrent une amélioration significative par rapport aux pratiques actuelles de planification de production appliquée aujourd'hui dans ArcelorMittal (Contrecoeur, Quebec): le coût de la ferraille est réduite de 2 à 6 pour cent et le temps de godets de charge est de 2 à 10 minutes plus vite.
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) | 0,001 | 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