An Investigation on the Regeneration of Lean NOx Trap Using Ethanol and n-Butanol
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Reduction of nitrogen oxides (NOx) in lean burn and diesel fueled Compression Ignition (CI) engines is one of the major challenges faced by automotive manufacturers. Lean NOx Trap (LNT) and urea-based Selective Catalytic Reduction (SCR) exhaust after-treatment systems are well established technologies to reduce NOx emissions. However, each of these technologies has associated advantages and disadvantages for use over a wide range of engine operating conditions. In order to meet future ultra-low NOx emission norms, the use of both alternative fuels and advanced after-treatment technology may be required. The use of an alcohol fuel such as n-butanol or ethanol in a CI engine can reduce the engine-out NOx and soot emissions. In CI engines using LNTs for NOx reduction, the fuel such as diesel is utilized as a reductant for LNT regeneration. In the present work, a detailed evaluation of the performance of long breathing LNT (requiring fewer regenerations than conventional LNT) is carried out using ethanol and n-butanol as the reductants and are compared with diesel as the reductant. For this purpose, a long breathing LNT catalyst is examined on a flow bench under simulated exhaust conditions. The NOx adsorption period is decoupled from regeneration, and reductant quantities are varied at 3% and 8.5% oxygen concentration. Ethanol and n-butanol are found to be more effective as reductants compared to diesel in terms of NOx conversion and hydrogen yield during the LNT regeneration at the tested conditions. In order to further understand the impact of using ethanol and n-butanol, the formation of different hydrocarbon species due to reforming on the Diesel Oxidation Catalyst (DOC) and LNT catalyst has been studied as well.</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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».