Computational Study of Reactivity Controlled Compression Ignition (RCCI) Combustion in a Heavy-Duty Diesel Engine Using Natural Gas
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
<div class="section abstract"><div class="htmlview paragraph">Reactivity controlled compression ignition (RCCI) combustion employs two fuels with a large difference in auto-ignition properties that are injected at different times to generate a spatial gradient of fuel-air mixtures and reactivity. Researchers have shown that RCCI offers improved fuel efficiency and lower NOx and Soot exhaust emissions when compared to conventional diesel diffusion combustion. The majority of previous research work has been focused on premixed gasoline or ethanol for the low reactivity fuel and diesel for the high reactivity fuel.</div><div class="htmlview paragraph">The increased availability of natural gas (NG) in the U.S. has renewed interest in the application of compressed natural gas (CNG) to heavy-duty (HD) diesel engines in order to realize fuel cost savings and reduce pollutant emissions, while increasing fuel economy. Thus, RCCI using CNG and diesel fuel warrants consideration. A computational study was performed on a 15L HD diesel engine to examine trade-offs of pollutant emissions, fuel consumption, peak cylinder pressure and maximum cylinder pressure rise rate. The results from the model indicated that an RCCI combustion strategy had the potential of 17.5% NOx reduction, 78% soot reduction and a 24% decrease in fuel consumption when compared to a conventional diesel combustion strategy using the same air-fuel ratio (AFR) and exhaust gas recirculation (EGR) rate, at the rated power operating condition. This was attained while meeting peak cylinder pressure and maximum cylinder pressure rise rate constraints.</div></div>
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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