Fuel Lubricity: Statistical Analysis of Literature Data
Notice bibliographique
Résumé
A number of laboratory-scale test methods are available to predict the effects of fuel lubricity on injection system wear. Anecdotal evidence exists to indicate that these methods produce poor correlation with pump wear, particularly for fuels that contain lubricity additives. The issue is further complicated by variations in the lubricity requirements of full-scale equipment and the test methodologies used to evaluate the pumps. However, the cost of performing full-scale equipment testing severely limits the quantity of data available for validation of the laboratory procedures at any single location. In the present study, the technical literature was reviewed and all previously published data was combined to form a single database of 175 pump stand results. This volume of data allows far more accurate statistical analysis than is possible with tests performed at a single location. The results indicate differences in the effectiveness of the standardized laboratory-scale methods. The High Frequency Reciprocating Rig (HFRR) produced much lower correlation with pump wear than did the Scuffing Load Ball on Cylinder Lubricity Evaluator (SLBOCLE), with HFRR tests performed at 60°C being even less accurate than those performed at 25°C. Correlation was also lower for fuels that contain lubricity additives as opposed to neat fuels. Multi-variable regression analysis of the data indicates that correlation with injection equipment is improved by combining the results from different laboratory-scale test procedures using simple mathematical formulae. The squared correlation (R2) of laboratory-scale wear tests with pump wear rating is unlikely to greatly exceed 77%, due to the inherent variability of the pump data. Combination of three or more laboratory tests using the equations derived from the multi-variable regression analysis allowed this maximum value to be achieved. As a result, it is hoped that the equations derived in the present paper may become more widely used to better predict full-scale pump wear.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,046 | 0,037 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,005 |
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 source (Gemma direct ou Codex distillé), 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 ».