A layer-peeling method for signal trapping correction in planar LII measurements of statistically steady flames
Notice bibliographique
Résumé
Abstract This work presents a layer-peeling (LP) algorithm to correct the signal trapping effect in planar laser-induced incandescence (LII) measurements of soot volume fraction. The method is based on measurements of LII signals captured by an intensified CCD camera at a series of parallel planes across a diffusion flame. A method based on presumed function (PF) of soot volume fraction is also proposed for comparison. The presented methods are numerically tested based on synthetic LII signals emitted from a simulated axisymmetric laminar diffusion flame using the CoFlame code. Numerical results showed that the LP method is able to correct the signal trapping effect, even for fairly large optical thicknesses and in a wide range of detection wavelengths. The correction decreases the relative errors induced by neglecting the trapping effect considerably. The signal trapping effect correction is less important for the determination of integrated soot quantities such as radially integrated soot volume fraction or total soot loading. Planar LII measurements were carried out and calibrated in order to test the method experimentally in a coflow flame. The LP, PF and a simplified analytical (SA) model were compared. The results indicate that the differences in soot volume fraction of 1 ppm or about 15% are obtained in zones of maximum soot loading of 6.5 ppm when the trapping effect is accounted for. Also, the LP and SA methods were found computationally efficient and accurate compared to the PF method. Although the study was performed in a canonical laminar axisymmetric flame, the proposed method can be applied to any statistically steady 3D flame.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».