Data-Driven Computational Methods in Fuel Combustion: A Review of Applications
Notice bibliographique
Résumé
This review article provides a comprehensive analysis of the recent advancements in combustion science and engineering, focusing on the application of machine learning and genetic algorithms from 2015 to 2024. The study examines the integration of computational methods, including computational fluid dynamics, neural networks, and genetic algorithms, with various fuel types such as biodiesel, biomass, coal, gasoline, hydrogen, and natural gas. A systematic search in the Scopus database identified relevant articles, which were categorized based on fuel types and computational methodologies. The analysis covers key areas such as combustion modelling and simulation, engine applications, alternative fuels, pollutant control, and industrial combustion systems. This review highlights the growing role of machine learning and genetic algorithms in enhancing combustion efficiency, reducing emissions, and optimizing energy production, providing insights into the current state of the art and future trends in this critical field. The study further examines the geographical distribution of research, noting significant contributions from Canada, China, France, Germany, India, Iran, Japan, Malaysia, Pakistan, Saudi Arabia, the United Kingdom, and the United States, alongside other international contributions. A total of 165 peer-reviewed articles were analyzed, covering a range of combustion scenarios and fuel types. The most frequently applied methods include artificial neural networks (ANNs), support vector machines (SVMs), and random forests (RFs) for predictive modeling, as well as genetic algorithms (GAs) for system optimization. ANN-based models achieved high accuracy in predicting NOx emissions and flame speed, with some studies reporting mean absolute errors below 5%. GA methods demonstrated effectiveness in fuel blend optimization and geometry design, achieving emission reductions of up to 30% in experimental setups. This review also highlights persistent challenges such as data availability, model generalization, and reproducibility, and proposes future directions toward more interpretable and standardized applications of ML/GA in combustion science.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».