Effects of particle size of cerium oxide nanoparticles on the combustion behavior and exhaust emissions of a diesel engine powered by biodiesel/diesel blend
Notice bibliographique
Résumé
Meeting the emission norms specified by governing bodies is one of the major challenges faced by engine manufacturers, especially without sacrificing engine performance and fuel economy. Several methods and techniques are being used globally to reduce engine emissions. Even though emissions can be reduced, doing so usually entails a deterioration in performance. To address this problem, nanoadditives such as cerium oxide (CeO2) nanoparticles are used to reduce engine emissions while improving engine performance. However, some aspects of the application of these nanoadditives are still unknown. In light of that, three sizes of CeO2 nanoparticles (i.e., 10, 30, and 80 nm) and at a constant volume fraction of 80 ppm were added to a 20% blend of waste cooking oil biodiesel and diesel (B20). A single-cylinder diesel engine operating at a 1500 rpm speed and 180 bar fuel injection pressure was used to compare the performance and emission characteristics of the investigated fuel formulations. The results showed that the addition of CeO2 nanoparticles led to performance improvements by reducing brake specific fuel consumption. Moreover, the catalytic action of CeO2 nanoparticles on the hydrocarbons helped achieve effective combustion and reduce the emission of carbon monoxide, unburnt hydrocarbon, oxides of nitrogen, and soot. Interestingly, the size of the nanoadditive played an instrumental role in the improvements achieved, and the use of 30 nm-sized nanoparticles led to the most favorable performance and the lowest engine emissions. More specifically, the fuel formulation harboring 30 nm nanoceria reduced brake specific fuel consumption by 2.5%, NOx emission by 15.7%, and smoke opacity by 34.7%, compared to the additive-free B20. These findings could shed light on the action mechanism of fuel nanoadditives and are expected to pave the way for future research to develop more promising fuel nanoadditives for commercial 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 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 | 0,000 | 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) | 0,001 | 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 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 ».