Comprehensive laboratory study on smoke gases during the thermal oxidative decomposition of forest and vegetation fuels
Notice bibliographique
Résumé
Abstract This study investigates the composition of smoke gases in forest and vegetation samples to draw conclusions about the actual smoke gas composition during wildfires. The focus is particularly on regions with extensive pine forests, like in Eastern Germany. The relevance of smoke gases is well illustrated by the example of wildfires in Québec, influencing air quality in New York, in 2023. By employing a modified DIN tube furnace, a bench‐scale test set‐up, the research emphasizes the examination of smoke composition from tree species and ground cover, prioritizing gases while disregarding particles. Key smoke gases are identified as CO, CO 2 , SO 2 , HCN, C 3 H 4 O (acrolein) and CH 2 O (formaldehyde) and their concentrations are compared with Acute Exposure Guideline Levels (AEGL) limits. Acknowledging the limitations of AEGL usage and the problem with direct quantitative comparison of toxicant concentrations (cf. ISO 29903‐1:2020), the study highlights variations in smoke composition across different samples. The results of the studies reveal a significant disparity in CO concentration between dry and fresh pine needles. Frequently, the AEGLs of key gases are exceeded significantly. The elemental analysis of the barks indicates distinct differences in composition, reflecting in the concentrations of smoke gases. The ratio of 1 mole of substance turnover to the identified key components will be used to determine input parameters for the subsequent numerical simulation.
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 ».