MétaCan
Menu
Retour à la cohorte
Enregistrement W4394339417 · doi:10.6084/m9.figshare.21825365

Control of Lean Blowout in a Swirl-Stabilized Dump Combustor at Different Levels of Premixing Based on Flame Colour

2023· dataset· en· W4394339417 sur OpenAlexaff
Somnath De, Arijit Bhattacharya, Achintya Mukhopadhyay, Swarnendu Sen

Notice bibliographique

RevueFigshare · 2023
Typedataset
Langueen
DomaineEngineering
ThématiqueCombustion and flame dynamics
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésCombustorEnvironmental scienceMaterials scienceWaste managementProcess engineeringAutomotive engineeringNuclear engineeringChemistryEngineeringCombustion

Résumé

récupéré en direct d'OpenAlex

Presently, the use of lean combustion has been growing in industrial furnaces, aero-engine, and rocket engine applications due to their low NOX emission and minimum maintenance requirements. On the other hand, due to the excessively low combustion reaction rate, the operation at a low fuel–air ratio leads to the sudden shutdown of the engines, which is termed lean blowout (LBO). Therefore, to operate land-based and aircraft engines at an extremely lean fuel–air mixture, control of LBO has become indispensable. In the present work, we develop several feedback in-loop control strategies using a pixel-averaged intensity ratio between the red and blue components of the flame emission. During a lean operation, based on the quantification of the proximity of the combustion dynamics to the LBO limits using this color ratio, the control strategies make the solenoid valves active to inject a secondary pilot fuel and energize the flame base. We notice that a proper choice of the color ratio as a threshold enhances the stability of both premixed and partially premixed combustion using a low pilot fuel. Besides, we test NOX emission for unpiloted and piloted operations and find that the emission is only marginally affected during a pilot injection.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,716
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0300,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,235
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFigshareMême sujetCombustion and flame dynamicsTravaux en français237 207