Effect of green fuel and green lubricant with metallic nanoparticles on emissions of HC, CO, NOx, and smoke for a compression ignition engine
Notice bibliographique
Résumé
Abstract The United Nations Sustainable Development Goals (SDGs) are imperative from the point of view of protecting the environment by employing sustainable options. Considerable research has been carried out in the transportation sector to meet this objective. Here, the influence is assessed of epoxidised gingelly oil methyl ester biolubricant with alumina (Al 2 O 3 ) nanoparticles on the performance and emissions of a single cylinder 0.66-L capacity direct injection compression ignition engine driven by gingelly B20 biodiesel. Engine tests are carried out with gingelly B20 biodiesel as a fuel, and gingelly methyl ester (B100), epoxidised gingelly methyl ester (B100E), and epoxidised gingelly methyl ester (B100E) mixed with 0.5%, 1.0%, and 1.5% w/w alumina (Al 2 O 3 ) nanoparticles as the lubricant combinations. The results are compared with baseline B20 biodiesel fuel-mineral lubricant operation. The findings indicate that brake thermal efficiency increases by 8.64% for epoxidised gingelly methyl ester (B100E) with 1.0% w/w alumina (Al 2 O 3 ) nanoparticle biolubricant in comparison to baseline operation. Considerable reductions in emissions are detected; specifically, reductions of 52.4%, 22.0%, 20.0%, and 34.9%, respectively, are observed for CO, NO x , and HC concentrations and smoke opacity for the abovementioned combination as compared to baseline operation. The present work suggests that further research is merited on green fuel-green lubricant combinations. The findings of this study address the United Nations Sustainable Development Goals (SDGs) 7 and 13.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».