INFLUÊNCIA DAS PROPRIEDADES DA ESCÓRIA PARA DESFOSFORAÇÃO DO AÇO EM FEA
Bibliographic record
Abstract
PDF | Conhecer os mecanismos que envolvem a remoção do fósforo do aço para a escória é muito importante para que o processo DE UM FORNO ELÉTRICO A ARCO (FEA) seja produtivo e eficiente. Existem muitos estudos na literatura especializada sobre desfosforação com expressões envolvendo composição química e temperatura. Essas expressões, deduzidas de dados de equilíbrio, geralmente não se correlacionam bem com dados industriais. O presente trabalho visa estudar, usando dados industriais, as propriedades químicas e físicas de uma escória de FORNO ELÉTRICO, a fim de desenvolver novas formas de avaliar o processo de desfosforação e sua eficiência em relação a essas propriedades. Diferentes composições de escórias industriais, principalmente com diferentes teores de CaO e FeO, foram selecionadas para serem analisadas. As propriedades e fases daS escóriaS mencionadas foram determinadas por termodinâmica computacional usando o software FactSage 8.0 e os resultados dessas análises foram relacionados à eficiência de desfosforação. Com base nessas simulações, o parâmetro Fator de Desfosforização [FDeP = aCaO + aFeO + (Nlíquido – Nsólido) - 2*Viscosidade] foi utilizado para medir a eficiência das escórias na desfosforação EM UM FORNO ELÉTRICO A ARCO. Verificou-se que este parâmetro apresenta alta correlação, para escala industrial, com a eficiência de desfosforação e pode ser utilizado para prever qual escória será a mais eficiente. A temperatura, na faixa analisada, não parece ser um fator diretamente relevante na eficiência da desfosforação. Por outro lado, a viscosidade da escória apresentou peso significativo no cálculo da eficiência pelo parâmetro (FDep).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".