Självklart! Här är texten med de saknade mellanslagen tillagda, utan andra ändringar:

 The steel industry is a key sector for modern society. Due to the extreme versatility of steel, it finds application in very different sectors. However, the steel industry is also very polluting, accounting for roughly 7-9 % of the yearly global anthropogenic CO2 emissions. Steel is produced either from iron ore, with the Blast Furnace-Basic Oxygen Furnace (BF-BOF) process, or from steel scrap, following the Electric Arc Furnace (EAF) process. With the latter being a more sustainable alternative (roughly half of the energy required and 1.5 tonnes of CO2 emissions), the steel industry looks forward to shifting the production towards the EAF, which today accounts for 29 % of the global production. However, differently from the BF-BOF, the EAF has still not been optimized up to its full potential.

In the process of achieving EAF process’ maximum efficiency, the integration of artificial intelligence could represent a significant step forward. The power and computational ability of machine learning models may indeed be used to further analyse the data collected from industry. In this way, it could be possible to improve the understanding of the EAF process and help optimizing it. This thesis focuses on using data clustering algorithms (Gaussian Mixture Model and K-Means) to analyse real industrial data. The objective was to examine the influence of the steel scrap type and its preparation on the EAF energy consumption. The information gathered during the preliminary data analysis and the data clustering were then used to develop and support an optimizer tool used to predict the most energy-efficient configuration of the EAF charging bucket.

Självklart! Här är texten med de saknade mellanslagen tillagda, utan några andra ändringar:

 Stålindustrin är en nyckelsektor för det moderna samhället. På grund av stålets extrema mångsidighet, finner det användning inom väldigt olika sektorer. Men stålindustrin är också mycket förorenande och står för ungefär 7-9 % av de årliga globala antropogena CO2-utsläppen. Stål framställs antingen från järnmalm, med masugns-Basic Oxygen Furnace (BF-BOF)-processen, eller från stålskrot, enligt den elektriska ljusbågsugnen (EAF)-processen. Eftersom det senare är ett mer hållbart alternativ (ungefär hälften av energin som krävs och 1.5 ton CO2-utsläpp) ser stålindustrin fram emot att flytta produktionen mot EAF, som idag står för 29 % av den globala produktionen. Men till skillnad från BF-BOF har EAF fortfarande inte optimerats till sin fulla potential.

I processen att uppnå EAF-processens maximala effektivitet kan integreringen av artificiell intelligens utgöra ett betydande steg framåt. Kraften och beräkningsförmågan hos modeller för maskininlärning kan verkligen användas för att ytterligare analysera data som samlas in från industrin. På så sätt skulle det kunna vara möjligt att förbättra förståelsen av EAF-processen och hjälpa till att optimera den. Denna avhandling fokuserar på att använda dataklustringsalgoritmer (Gaussian Mixture Model och K-Means) för att analysera verklig industriell data. Syftet var att undersöka vilken inverkan stålskrottypen och dess beredning har på energiförbrukningen för EAF. Informationen som samlades in under den preliminära dataanalysen och dataklustringen användes sedan för att utveckla och stödja ett optimeringsverktyg som används för att förutsäga den mest energieffektiva konfigurationen av EAF-laddningsskopan.