An ML-Enhanced Laser-Based Methane Slip Sensor Using Wavelength Modulation Spectroscopy
Notice bibliographique
Résumé
Natural gas (NG) is a promising alternative to diesel for sustainable transport, potentially reducing GHG and air quality emissions significantly. However, the GHG benefits hinge on managing methane slip, the unburned methane in the exhaust of NG engines, which carries a significant global warming potential. The CH 4 slip from NG engines is highly dependent on engine type and operation, and effective greenhouse gas emission mitigation requires that the actual operation of real-world engines is monitored. This requires suitable instrumentation for online robust CH 4 measurement in engine exhaust. Traditional methane slip measurement methods need frequent calibration, may not be suited to dynamic operational conditions, carry significant costs, or require expert users. Furthermore, the significant computational demands associated with calibration-free spectroscopic methods and the prevalent noise uncertainty underscore the urgent requirement for innovative sensors. These sensors must not only respond rapidly but also have low uncertainty in their readings. This paper presents a machine learning (ML)-enhanced, laser-based methane slip sensor using wavelength modulation spectroscopy (WMS) for rapid, accurate, and calibration-free CH 4 measurements for application in the exhaust of NG engines. The sensor utilizes a distributed feedback (DFB) laser diode emitting around 1.65 μm propagated through a multipass optical cell. An ML-based approach is used to invert the recorded WMS signal, which reduces computational cost and uncertainty due to noise vulnerabilities inherent in traditional measurement inversion approaches. A Gaussian process regression (GPR) model, trained on measured and simulated WMS signals, was selected for its high predictive accuracy, where it achieved a mean absolute percent error (MAPE) of 0.24%. For exhaust measurement on an in-use natural gas marine vessel, a mean absolute difference of 3.95% was observed, relative to simultaneous reference Fourier transform infrared spectroscopy measurements. The ML-based WMS inversion system marks a significant advancement in methane slip measurement, offering real-time monitoring capabilities with reduced computational demands. Its development supports the realization of NG environmental benefits for transport by providing accurate CH 4 slip data, which are essential for engine performance optimization, regulatory adherence, and sustainable policy decisions.
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) | 0,001 | 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 ».