MétaCan
Menu
Retour à la cohorte
Enregistrement W2009178637 · doi:10.1115/icef2010-35172

Evaluation of Diesel Low Temperature Combustion Fuel-Injection Strategies at Different Engine Loads

2010· article· en· W2009178637 sur OpenAlexaff
Usman Asad, Ming Zheng

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicle emissions and performance
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésAutomotive engineeringDiesel fuelDiesel engineDiesel cycleCombustionEnvironmental scienceFour-stroke engineInternal combustion engineFuel injectionExhaust gas recirculationCompression ratioDriving cycleFuel efficiencyCombustion chamberEngineeringChemistryElectric vehicleThermodynamics

Résumé

récupéré en direct d'OpenAlex

High hydrocarbon levels in the exhaust, increased cycle-to-cycle variation and reduced energy-efficiency are typical problems associated with diesel LTC operation. To overcome these challenges, three different fuel injection strategies (late single-injection, early multiple-injections and split-injections) have been investigated on a modified single cylinder common-rail diesel engine. The effects of EGR, boost and injection pressure on the emissions and combustion efficiency have been analyzed. The effect of heavy EGR has been quantified in terms of a trade-off between the combustion phasing and the combustion efficiency. To minimize fuel condensation and wall-wetting with early injections, a criterion for selecting the earliest timing for injection during the compression stroke has also been evaluated. This research is concluded with the formulation of a load management strategy to enable energy-efficient diesel LTC up to 10 bar IMEP.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,503
Score d'incertitude au seuil0,856

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,239
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetVehicle emissions and performanceTravaux en français237 207