Inhibitor additives to mitigate fossil fuel emissions and its potential role in promoting the energy transition in global cities
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
Abstract Emission-based fuels are a major source of greenhouse gases like CO 2 , NO x , CO, SO x , and particulate matter, exacerbating climate change and air pollution. While post-combustion technologies, such as catalytic converters, help reduce emissions, they are expensive and do not address pollutants at the source. Inhibitor additives present a promising solution by modifying combustion chemistry to suppress pollutant formation, enhance oxidation efficiency, and improve fuel performance. Research shows that inhibitors, such as metal-based catalysts (e.g., CeO 2 , Fe-based compounds), oxygenated additives, and halogen-based flame suppressants, reduce emissions by altering radical chain reactions and promoting complete combustion. When integrated with alternative fuels like biofuels, inhibitors further support energy transitions in global cities by enabling cleaner and more efficient combustion. However, challenges like fuel compatibility, secondary emissions, and long-term engine performance effects must be addressed. Understanding the mechanisms, efficiency, and limitations of inhibitors is crucial for optimizing them in sustainable combustion systems. As emission regulations tighten, inhibitor-based strategies offer a cost-effective, scalable solution to reduce fossil fuel-related pollution. This review explores recent advancements, practical applications, and future research directions to bridge the gap between fundamental science and real-world deployment in energy and transportation sectors.
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