Performance of Spark Energy Distribution Strategy on a Production Engine under Lean-Burn Conditions
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Stronger ignition sources become more favorable under extreme lean/EGR conditions. Under those conditions, the reduced pumping loss and low combustion temperature can contribute to further engine efficiency improvement for spark ignited engines. Multicoil ignition system can enhance ignition energy as well as modulate discharge profile. The ignition energy can either be deployed through single spark gap to enhance the ignition capability of the plasma channel, or be distributed to multiple ignition sites to establish multiple flame kernels to secure flame kernel initiation. The multiple ignition coils used for energy distribution ignition strategy also consume more power, in order to maintain the stable operation of the engine under lean operation limit. In this paper, efficacy of concentrated and distributed multicoil ignition strategies were investigated on a spark ignited inline 4-cylinder production engine using a three-ignition-coil pack. Both total ignition energy and discharge duration were kept the same. Power consumption of the added ignition coils were compared with the power gain under lean burn conditions. Ignition performance of both strategies was investigated under various levels of engine loads, from idling condition (1.1 bar BMEP) to medium engine load (5.5 bar BMEP). The test results revealed that the multiple ignition sites technique can effectively decrease the ignition delay throughout the testing cases, but its contribution to lower engine cycle to cycle variation was more significant under low load, lean burn conditions, where the ignition process received more challenges.</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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».