MétaCan
Menu
Retour à la cohorte
Enregistrement W2026338796 · doi:10.1080/10962247.2012.739582

Evaluation of an annular denuder system for carbonaceous aerosol sampling of diesel engine emissions

2012· article· en· W2026338796 sur OpenAlexaff
Jie Zhang, Xinghua Fan, Lisa Graham, Tak Wai Chan, Jeffrey R. Brook

Notice bibliographique

RevueJournal of the Air & Waste Management Association · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicle emissions and performance
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesAgilent Technologies
Mots-clésParticle (ecology)AerosolParticulatesTotal organic carbonParticle sizeChemistryAdsorptionAnalytical Chemistry (journal)EvaporationCarbon fibersEnvironmental chemistrySampling (signal processing)Carbon numberEnvironmental scienceFilter (signal processing)Materials scienceMeteorologyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

UNLABELLED: Sampling of particle-phase organic carbon (OC) from diesel engines is complicated by adsorption and evaporation of semivolatile organic carbon (SVOC), defined as positive and negative artifacts, respectively. In order to explore these artifacts, an integrated organic gas and particle sampler (IOGAPS) was applied, in which an XAD-coated multichannel annular denuder was placed upstream to remove the gas-phase SVOC and two downstream sorbent-impregnated filters (SIFs) were employed to capture the evaporated SVOC. Positive artifacts can be reduced by using a denuder but particle loss also occurs. This paper investigates the IOGAPS with respect to particle loss, denuder efficiency, and particle-phase OC artifacts by comparing OC, elemental carbon (EC), SVOC, and selected organic species, as well as particle size distributions. Compared to the filterpack methods typically used, the IOGAPS approach results in estimation of both positive and negative artifacts, especially the negative artifact. The positive and negative artifacts were 190 microg/m3 and 67 microg/m3, representing 122% and 43% of the total particle OC measured by the IOGAPS, respectively. However particle loss and denuder break-through were also found to exist. Monitoring particle mass loss by particle number or EC concentration yielded similar results ranging from 10% to 24% depending upon flow rate. Using the measurements of selected particle-phase organic species to infer particle loss resulted in larger estimates, on the order of 32%. The denuder collection efficiencyfor SVOCs at 74 L/min was found to be less than 100%, with an average of 84%. In addition to these uncertainties the IOGAPS method requires a considerable amount of extra effort to apply. These disadvantages must be weighed against the benefits of being able to estimate positive artifacts and correct, with some uncertainty, for the negative artifacts when selecting a method for sampling diesel emissions. IMPLICATIONS: Measurements of diesel emissions are necessary to understand their adverse impacts. Much of the emissions is organic carbon covering a range ofvolatilities, complicating determination of the particle fraction because of sampling artifacts. In this paper an approach to quantify artifacts is evaluated for a diesel engine. This showed that 63% of the particle organic carbon typically measured could be the positive artifact while the negative artifact is about one-third of this value. However, this approach adds time and expense and leads to other uncertainties, implying that effort is needed to develop methods to accurately measure diesel emissions.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,022
Tête enseignante GPT0,263
Écart entre enseignants0,242 · 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 source (Gemma direct ou Codex distillé), 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

Citations18
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Air & Waste Management AssociationMême sujetVehicle emissions and performanceTravaux en français237 207