MétaCan
Menu
Retour à la cohorte
Enregistrement W4409641301 · doi:10.1109/tps.2025.3558478

Plasma Resistance Control for Ignition Energy Improvements Under High-Speed Flow Conditions

2025· article· en· W4409641301 sur OpenAlexaff
Xiao Yu, Linyan Wang, Ming Zheng

Notice bibliographique

RevueIEEE Transactions on Plasma Science · 2025
Typearticle
Langueen
DomaineMedicine
ThématiquePlasma Applications and Diagnostics
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésIgnition systemPlasmaFlow control (data)Energy (signal processing)MechanicsFlow (mathematics)Materials scienceNuclear engineeringComputer sciencePhysicsThermodynamicsEngineering

Résumé

récupéré en direct d'OpenAlex

Modern spark ignition (SI) systems tend to face a fuel-lean mixture of elevated density and intensified flow for improving engine efficiency and exhaust emission. A more effective ignition source, e.g., a properly modulated current profile of on-demand elevated energy is preferred to assist the flame kernel formation process and developments. The strong air motion blows the plasma channel away from the spark gap, causing the plasma channel to stretch, which leads to restrike events when stretched excessively. In this work, the impact of spark plasma stretching on the discharge processes has been investigated under various flow velocities and background densities. It is observed that the cross-flow may raise the deposition efficiency of discharge energy between the spark electrodes via plasma stretching, but the prolonged stretching may challenge the plasma stability. The mechanisms of restrike and blow-off events are investigated corresponding to plasma resistance and discharge voltage. Furthermore, a boosted current strategy is applied to study the effectiveness of discharge current modulation (50 mA–3 A) on the plasma resistance control under the flow conditions. The study comprehensively investigates the impacts of discharge current, flow velocity, and background pressure on plasma stretching and energy release efficacy.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,888
Score d'incertitude au seuil0,824

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,271
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Plasma ScienceMême sujetPlasma Applications and DiagnosticsTravaux en français237 207