Particulate Matter Reduction From a Pilot-Ignited, Direct Injection of Natural Gas Engine
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper reports an evaluation of various combustion strategies aiming to reduce engine-out particulate matter (PM) emissions from a natural-gas fuelled heavy-duty engine. The work is based on a Westport HPDI fuelling system, which provides direct injection of both natural gas and liquid diesel into the combustion chamber of an otherwise unmodified diesel engine. The diesel acts as a pilot to ignite the natural gas, which normally burns in a non-premixed fashion, leading to significant PM formation. The concepts to reduce PM evaluated in this work are: 1) adjusting the relative phasing of the natural gas and diesel injections to allow more premixing of the natural gas prior to ignition; 2) reducing the pilot quantity to increase the ignition delay of the gas jet; and 3) reducing the level of EGR at select modes to reduce PM formation. These strategies are evaluated at steady state using single- and multi-cylinder research engines, supported by CFD analysis. The results demonstrate that allowing limited premixing of the gas jet prior to ignition can significantly reduce PM emissions. Excessive premixing can lead to high rates of pressure rise; EGR can be used to moderate the combustion under these conditions, without causing increased PM emissions. Reducing pilot quantity is another effective technique to reduce PM, primarily by allowing more air to mix with the gas jet before ignition. These various techniques can be combined to form a new operating strategy that significantly reduces engine-out PM and NOx emissions compared to the baseline strategy without significantly impacting fuel consumption.
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.
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 découle