Evaluation of the Effectiveness of Diesel Particulate Filter Cleaning Methods and their Effect on Fuel Consumption
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">The negative effects of long-term exposure to soot and particulate matter emissions from diesel exhaust on the human health have been widely acknowledged due to the harmful substances that exhaust gas contains. Regulators have established strict programs to determine the performance and reliability of emissions after-treatment systems and devices. Tests were conducted to evaluate the efficacy of three diesel particulate filter (DPF) cleaning methods: 1) thermal and pneumatic cleaning, 2) ultrasonic cleaning, and 3) aqueous cleaning methods. A novel non-destructive method to quantify soot and ash deposits in the filters was developed, validated and used to determine the effectiveness of the identified cleaning methods. Given the number of different cleaning methods available, testing against a set of standard parameters provided accurate comparative results. Test results showed at least satisfactory ratings for all cleaning systems that were evaluated, while two systems stood out with very good ratings, with up to 96% of deposits removed by one cleaning system. Fuel consumption tests based on SAE J1321 and TMC RP 1102A Fuel Consumption Test Procedure – Type II were also performed to determine the effect of diesel particulate filter cleaning methods on fuel consumption. The tests were conducted on a high-speed test track at a constant speed of 105 km/h (65 mph). Test results showed that excluding the fuel consumed during passive regeneration, the level of obstruction of the diesel particulate filter showed little impact on fuel consumption. Results comparing the fuel consumption of a cleaned DPF versus that of a used DPF ranged from 0.65% to 1.43%.</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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».