Parametric studies of contrail ice particle formation in jet regime using one-dimensional microphysical modeling
Notice bibliographique
Résumé
Abstract. Condensation trails (contrails) formed from water vapor emissions behind aircraft engines are the most uncertain components of the aviation impacts on climate change. To gain improved knowledge of contrail and contrail-induced cirrus cloud formation, understanding of contrail ice particle formation immediately after aircraft engines is needed. Despite many efforts spent in modeling the microphysics of ice crystal formation in jet regime (with a plume age <5 s), systematic understanding of parametric effects of variables affecting contrail ice particle formation is still limited. In this work, we apply a one-dimensional modeling approach to study contrail ice particle formation in near-field aircraft plumes up to 1000 m downstream of an aircraft engine in the soot-rich regime (soot number emission index >1×1015 (kg-fuel)−1) at cruise. The effects of ion-mediated nucleation, ambient relative humidity, fuel sulfur content, and initial soot emissions were investigated. Our simulation results suggest that ice particles are mainly formed by water condensation on emitted soot particles. The growth of ice coated soot particles is driven by water vapor emissions in the first 1000 m and by ambient relative humidity afterwards. The presence of chemi-ions does not significantly contribute to the formation of ice particles, and the effect of fuel sulfur content is small over the range typical of standard jet fuels. The initial properties of soot emissions play the most critical role, and our calculations suggest that higher number concentration and smaller size of contrail particle nuclei may be able to effectively suppress the formation of contrail ice particles, providing a possible approach for contrail mitigation.
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 ».