Diesel direct injection and EGR optimization for a syngas-diesel dual-fuel generator operating at constant load
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Diesel generators are widely used to produce electricity and heat in remote communities. However, their use contributes to harmful pollutant and greenhouse gas (GHG) emissions, negatively impacting the environment and public health. Syngas, which is a sustainable fuel, can play an important role in the transition from petroleum to renewable fuels. When used in dual-fuel diesel engines, it can contribute to reducing GHG emissions and the cost of transporting diesel, especially for rural and remote communities. This study investigates the effects of optimizing the diesel direct injection (DI) and exhaust gas recirculation (EGR) strategies on the combustion and emission performance of a syngas-diesel dual-fuel generator at constant load. The experiments were conducted using a 30-kW generator with a four-stroke, four-cylinder, turbocharged, and electronically controlled direct-injection diesel engine. The intake manifold of the engine was modified to allow introducing syngas upstream of the turbocharger. The syngas was simulated using individually controlled flow rates of hydrogen (H2), carbon monoxide (CO), carbon dioxide (CO2), and nitrogen (N2). The syngas flow rate was adjusted to replace 40% of the energy provided by diesel fuel while optimizing the diesel DI parameters such as the pilot injection timing, main injection timing and diesel direct injection rail pressure, as well as the EGR rate. The findings of this study reveal that optimizing diesel injection strategy and appropriately raising the EGR rate have a positive impact on the engine performance and emissions.
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.
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 | 0,000 |
| 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 | 0,000 |
| 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 découle