Cotton Oil and Sunflower Oil Fuel Mixtures
Notice bibliographique
Résumé
Air pollution is made up of many kind of gases, droplets and particles that reduce the quality of the air. Particles include dust, dirt, soot, smoke and liquid droplets. Some of these particles are large enough to be seen as soot or smoke, while others are so small that can be detected individually with a microscope. Some particles are emitted directly into the air from a variety of sources that are either natural or related to human activity. Those related to human activity include motor vehicle emissions, industrial processes such as electricity generation, incinerators and stone crushing. At this paper will be compared the emissions of pollutants when are used as a fuel the mixtures of diesel-cotton oil and diesel- sunflower oil in a Diesel four-stroke engine. Specifically, the mixtures that have been used are the following: diesel-10% cotton oil, diesel-20% cotton oil, diesel-30% cotton oil, diesel-40% cotton oil, diesel-50% cotton oil, diesel- 10% sunflower oil, diesel- 20% sunflower oil, diesel- 30% sunflower oil, diesel- 40% sunflower oil, diesel- 50% sunflower oil. For those mixtures, it has been measured the emissions of Carbon monoxide (CO), hydrocarbons (HC) and Nitrogen monoxide (NO) and also the fuel consumption. Key words: Gas emissions; Cotton oil; Sunflower oil; CO-HC-NO-smoke emissions; Biofuels
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».