Machine Learning Applications for Predicting Fuel Ignition and Flame Properties: Current Status and Future Perspectives
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide The prediction of ignition and flame properties of fuels using machine learning (ML) has experienced significant advancement, substantially enhancing predictive capabilities in combustion science. This review synthesizes recent research focused on the application of ML to predict key fuel properties using both Quantitative Structure–Property Relationship (QSPR) and non-QSPR modeling approaches. QSPR methods correlate molecular structures with their properties to predict fuel behavior without extensive experimental testing, while non-QSPR approaches use thermodynamic/thermochemical states, compositions, and combustion parameters as input features rather than molecular descriptors. The review encompasses a wide range of ignition-related properties and flame behavior characteristics, including laminar burning velocity, ignition delay time, heat release rate, minimum ignition energy, flammability limits, flash point, sooting index, and cetane/octane numbers. A systematic examination of the ML models and frameworks, training data sets, and performance metrics employed in these predictions is conducted. Diverse ML algorithms, ranging from traditional regression and classification models to advanced deep learning architectures, are investigated, with their efficacy and limitations in predicting combustion properties elucidated. The critical features and descriptors utilized for model training are analyzed, illuminating the underlying mechanisms that govern ignition characteristics and flame dynamics. This review identifies key trends, challenges, and future directions in ML-based combustion property prediction through a rigorous analysis of the literature. The insights presented aim to advance the development of accurate predictive models in combustion science and engineering, supporting researchers and practitioners in navigating the evolving landscape of ML-enabled fuel property prediction.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| 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 | 0,002 |
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 ».