Different Velocity Data Analysis for Flows Near a Spark Plug in the Combustion Chamber of a Spark Ignition Engine
Notice bibliographique
Résumé
<div class="htmlview paragraph">Flow near a spark plug is important for early flame kernel development (EFKD) and combustion efficiency. Velocity data have been measured by a laser Doppler velocimetry (LDV) for three different positions near a spark plug within a ported single cylinder optical spark ignition (SI) engine with a heart-shaped combustion chamber and a compression ratio of 8.9. LDV measurements have been performed under the wide-open motored conditions with an engine speed of 1,000 rpm conditions and maximum data collection rates of 22 kHz per channel.</div> <div class="htmlview paragraph">This work examines the mean and turbulence flow fields as interpreted through ensemble, cyclic, discrete wavelet transformation (DWT) analysis and the energy cascade as analyzed through continuous wavelet transformation (CWT) for flows near a spark plug. The results in this paper show that the frequency of the first level DWT can be used as a cutoff frequency for filtering because the first level DWT satisfies within 5 % relative error the condition that the ensemble average of the individual cycle mean should be same as the conventional ensemble-mean velocity, and it is near the maximum frequency in frequency spectrum of the ensemble averaged velocity as Liou et al. approached [<span class="xref">10</span>]. Wavelet analysis is appropriate for analyzing the flow fields in the combustion engine because it gives information about the transient events in a time and a scale plane. Large-scale high energy (defined below) found with CWT corresponds well with the peak locations of the mean velocity</div>
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».