Photothermal characterization of biodiesel and petroleum diesel fuels—A review and perspective
Notice bibliographique
Résumé
Alternative fuels hold considerable promise as substitutes for petroleum diesel fuel. As such, biodiesel is a promising renewable fuel that has been developed and tested by a number of research groups. Quality control of this transportation fuel is of great significance to its commercialization. Conventional chromatographic and spectroscopic analytical methods are most commonly used for biodiesel characterization, in some cases yielding information detail beyond that needed for the determination of biodiesel quality. By contrast, less common methods, such as photothermal techniques, are well suited to characterize a wide range of transportation fuels. The complexities of photothermal and chemical analytical techniques are roughly similar, as are the costs. Photothermal methods are based on spectroscopic and thermophysical properties of the sample, an advantage with respect to ordinary chromatography and spectroscopy techniques. Furthermore, some photothermal techniques can be adapted for remote signal detection, which can be used for in situ analysis in fuel production for inline biodiesel quality inspection and control. Therefore, an overview and outlook of the photothermal characterization is of considerable interest. In this paper, the applications of photothermal techniques in the characterization of biodiesel, petroleum diesel fuels, and their blends are reviewed. The review includes thermophysical properties and correlations for fuels, determination of blend levels, and biodiesel stability investigations. After the review, discussion and perspective are presented for future improvement of photothermal characterization and industrial applications.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».