Experimental study on effect of use of oxyhydrogen blends with traditional fuels in spark engines for better performance
Notice bibliographique
Résumé
The utilization of oxyhydrogen as a supplementary fuel in internal combustion engines has garnered significant attention due to its potential to enhance engine performance and reduce emissions. This study investigates the effects of oxyhydrogen addition on the performance, emissions, and thermodynamic efficiencies of a spark-ignition engine fueled by gasoline, propane, and methane. The engine drives a commercial stationary power generator. Results demonstrate that oxyhydrogen addition leads to a consistent reduction in CO 2 and HC emissions across all fuel types, with the most substantial reduction observed in gasoline, decreasing from 2,413 g/kg to 1,709 g/kg (a 29% reduction) with 20% oxyhydrogen addition. However, NO x emissions tend to increase, particularly pronounced in gasoline, where they escalate from 9.5 g/kg fuel with no oxyhydrogen to 24.6 g/kg fuel for the same case (a 159% increase). The power output exhibits varying degrees of improvement depending on the fuel type and oxyhydrogen concentration. Oxyhydrogen has compensated for the power reduction when propane and methane are used as the base fuel. The energy and exergy efficiencies consistently improve with increasing oxyhydrogen addition, with the most significant improvement observed in propane, where the energy efficiency increased from 30.0% to 37.3% (a 24.3% improvement) with 20% oxyhydrogen addition. • Gasoline, methane and propane are blended with oxyhydrogen up to 20%vol. • A dual-fuel carburettor is included in the engine of a commercial power generator. • Methane/oxyhydrogen blends show better performance in terms of emissions. • A 20% oxyhydrogen compensates the power reduction with methane.
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 | 0,000 |
| 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 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 ».