Cost optimization of scrap when making steel with an electric arc furnace
Bibliographic record
Abstract
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.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".