Classification and Characterization of Heat Release Rate Traces in Low Temperature Combustion for Optimal Engine Operation
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Low temperature combustion (LTC) modes are among the advanced combustion technologies which offer thermal efficiencies comparable to conventional diesel combustion and produce ultra-low NOx and particulate matter (PM) emissions. However, combustion timing control, excessive pressure rise rate and high cyclic variations are the common challenges encountered by the LTC modes. These challenges can be addressed by developing model-based control framework for the LTC engine. In the current study, in-cylinder pressure data for dual-fuel LTC engine operation is analyzed for 636 different operating conditions and the heat release rate (HRR) traces are classified into three distinct classes based on their distinct shapes. These classes are named as Type-1, Type-2 and Type-3, respectively. To this end, HRR traces are analyzed for each class based on start of combustion (CA10), combustion phasing (CA50), burn duration (BD), maximum in-cylinder pressure (P<sub>max</sub>), location of peak pressure (<i>θ</i><sub>Pmax</sub>), maximum in-cylinder temperature (T<sub>max</sub>), maximum pressure rise rate (MPRR) and coefficient of variation of indicated mean effective pressure (COV<sub>IMEP</sub>). 47.5% of the data points in Type-3 and 43.5% of the data points in Type-2 resulted in maximum in-cylinder temperature below 1500K which helps in the prevention of NOx formation. 90% of the data points in Type-1 showed COV<sub>IMEP</sub> below 5%. All the data points in Type-3 resulted in MPRR below 8 bar/CAD. 80.3% of the data points in Type-2 resulted in indicated thermal efficiency above 35%. This analysis is used as a basis to develop machine learning classification algorithms for model-based control and optimization of LTC engine.</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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».