Ultra-low NOx diesel aftertreatment: An assessment by simulation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Upcoming Euro 7/VII regulations are under discussion, and, from available information, they will focus not only on reducing the current emission limits but also on all those operating conditions that are still responsible for high emission events (e. g. cold start or altitude) as well as regulating secondary emissions with a major focus on GHGs (N2O, CH4 and HCHO). In this perspective, robustness towards a broader range of operative and environmental conditions and high conversion efficiency against all pollutants species will be demanded to aftertreatment systems. In an engine development process, the activity of aftertreatment architecture selection requires huge efforts in terms of time, hardware procurement, facilities and resources. That is because different topological layouts, different technologies and different interactions between the engine and the After-Treament System (ATS) must be investigated to find the most suitable solution. In this perspective, virtual testing is a strong and precious tool to accelerate and substantially reduce development effort with respect to an experimental campaign. The present work aims at showing a deep dive into an aftertreatment modeling and simulation approach in which experimental data coming from steady state and dynamic characterizations are used at first to calibrate 1D catalyst kinetic models and in a second step as input to homologation cycles for ATS performance evaluations. Modeling, validation and an example of aftertreatment technology and layout screening in the context of Euro 7 future scenario proposed by CLOVE will be discussed as well, to clarify how a technology emission reduction walk could be built with such an approach.
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.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle