A Study of the Effects of Fuel Type and Emission Control Systems on Regulated Gaseous Emissions from Heavy-Duty Diesel Engines
Notice bibliographique
Résumé
<div class="htmlview paragraph">The New York State Department of Environmental Conservation (DEC) and Environment Canada have jointly participated along with partners the New York City Metropolitan Transit Agency (MTA); Johnson Matthey, Environmental Catalysts &amp; Technologies; Equilon Enterprises, LLC and Corning, Inc. in a project to evaluate the effect of various combinations of fuels and aftertreatment configurations on diesel emissions. Emissions measurements were performed during engine dynamometer testing of an International DT 466E heavy-duty diesel engine. Fuels tested in the study were Diesel Fuel 1 and 2, low sulfur diesel (150 ppm), two ultralow sulfur fuels (&lt;30 ppm), Fischer-Tropsch, Biodiesel, PuriNOx<sup>™</sup> and two Ethanol-Diesel blends. Configurations tested were: engine out, and diesel oxidation catalyst, continuously regenerating diesel filter, and exhaust gas recirculation aftertreatment. In general, the use of more aggressive aftertreatment (ie. DOC vs engine out, CRDPF vs DOC, etc) had a much more significant effect on emissions of PM, NOx, NO, HC and CO than the use of non-standard fuels, including the blended fuels. EGR-DPF was the only after treatment technology that significantly affected NOx emissions, reducing them an average of 42% from the DOC case for all fuels. NOx was reduced 41% from the Engine Out case for EULSD, the only fuel that was tested with both configurations. The only exception to this general trend was that PNOx fuel produced similar NOx emissions in the DOC configuration to the use of EGR-DPF after treatment with the ultralow sulfur fuels.</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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».