Notice bibliographique
Résumé
Combustion diagnostics of highly diluted air fuel mixtures are of great importance for reducing the carbon footprint of various types of combustion systems. Flame detection techniques, such as ion sensing and optical diagnostics, have been reported for diagnosing combustion status. In this paper, a flame front detection technique based on active plasma probing is introduced and analyzed. Unlike the conventional ion sensing used in internal combustion engines, a separate electrode gap is used to detect the flame front arrival. Further, the voltage potential across the electrodes of the spark plug probe is modulated actively to be slightly below the breakdown threshold prior to flame arrival. At the arrival of the flame front, the ions in the flame tend to decrease the breakdown voltage threshold and trigger a breakdown event. An optically accessible constant volume combustion vessel is employed to investigate the efficacy of such active plasma probing for the detection of the flame front under quiescent and flow conditions. Three types of fuels are used in the tests, including methane, propane, and DME, with an air fuel ratio sweep (from stoichiometric to extremely lean) for each fuel. Efforts are made to characterize the probing criteria of minimum, yet adequate voltage to succeed in the detection of the arrival and departure of the flame front most sensitively and reliably, for all three types of fuels under various mixture strengths. For comparison, conventional ion current measurements are conducted under identical background conditions to benchmark the efficacy of flame detection. Results show that the active plasma probing can promptly detect the arrival and departure of the flame front, robustly regardless of the fuel type and excess air ratios. The precise control of the detecting voltage is key for reliable flame detection with high sensitivity.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».