MODELAGEM MATEMÁTICA E SIMULAÇÃO NUMÉRICA DO ESCOAMENTO EM CANAL DE ALTO-FORNO E SUA INFLUÊNCIA NO DESGASTE DO REVESTIMENTO REFRATÁRIO
Bibliographic record
Abstract
PDF | Este trabalho tem por objetivo modelar e simular o escoamento de ferro-gusa e ar no canal de alto-forno sem considerar a escória, procurando detalhes que possam correlacionar a fluido-dinâmica com o processo de desgaste do revestimento refratário que ocorre durante a operação do canal. O modelo matemático empregado é o modelo de dois fluidos (Euleriano- Euleriano), considerando o escoamento tridimensional, em regime transiente e com superfície livre. A abordagem da turbulência é feita por meio da formulação a zero equação. A solução do sistema de equações diferenciais é obtida numericamente no simulador Ansys CFX 10.0 ® e então comparada aos resultados da literatura para a sua validação. Os resultados demonstraram muito boa concordância com os reportados em outros trabalhos e, da mesma forma, indicam que o processo corrosivo é o principal fator no processo de desgaste, facilitado por um bom regime de mistura e tensões cisalhantes que, em tempos maiores, mesmo com baixas magnitudes, podem contribuir para a remoção de uma camada reativa mais frágil e permeável expondo o refratário a um novo ataque químico. Esta convergência de resultados possibilitou a validação do modelo. Espera-se com este trabalho melhorar o entendimento do fenômeno, direcionando estudos futuros nos problemas de desgaste e separação, tanto no que concerne ao modelamento físico e matemático quanto à solução numérica deste último.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".