Optimizing non-dispersive infrared channels for derived cetane number prediction: Impact of spectral resolution and feature selection
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
Jet fuels exhibit considerable variability in their chemical properties. This variability impacts properties like Derived Cetane Number (DCN), a measure of ignition quality that can vary significantly in the commercial fuel supply as it is not specified for jet fuels. Conventional methods for measuring DCN, such as Ignition Quality Testers, are accurate but rely on large equipment and long measurement times making them impractical for portable use. Vibrational spectroscopy offers a promising alternative, linking spectral information to fuel properties, yet high-resolution spectrometers remain bulky and challenging to miniaturize. Non-dispersive infrared (NDIR) sensors provide a compact solution, capable of accessing a few key spectral elements to predict fuel properties. Despite their lower number of elements and typically lower resolution, NDIR sensors are low-cost, power-efficient, and compact, making them ideal for onboard or handheld applications. This study extends analysis previously performed in the near-infrared region (4000-12000 cm -1 ) to the mid-infrared region (714-1428 cm -1 ), evaluating both commercial off-the-shelf (COTS) and custom narrow-bandwidth channels. Using a channel optimization process, custom channels with a 2 cm -1 bandwidth and 50% overlap achieved an R 2 of 0.92 in a linear model, closely matching the performance of high-resolution methods. Additionally, a nonlinear support vector regression (SVR) model further improved predictions, achieving an R 2 of 0.93 with just ten channels. These findings suggest that well-designed NDIR sensors can deliver accurate DCN predictions, offering a practical alternative to larger spectrometers. This approach holds promise for real-time fuel analysis in portable applications, bridging the gap between accuracy and miniaturization.
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 | 0,002 |
| 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