MétaCan
Menu
Retour à la cohorte
Enregistrement W4416417417 · doi:10.1021/acs.iecr.5c02994

Fast Coupled Monodirectional Cooling Image Analysis Cell for Accurate Cloud Point Detection and Cold Flow Optimization of Renewable Marine Diesel Blends

2025· article· en· W4416417417 sur OpenAlexafffund
Ali Akbar Sarbanha, Eric David Piedrahita Piedrahita, Faı̈çal Larachi

Notice bibliographique

RevueIndustrial & Engineering Chemistry Research · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueHeat Transfer Mechanisms
Établissements canadiensInnovation MaritimeUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacsCanada Foundation for InnovationFonds de recherche du Québec – Nature et technologiesUniversité Laval
Mots-clésDiesel fuelFlow (mathematics)Image processingCold start (automotive)Cloud computingPoint (geometry)Renewable energy

Résumé

récupéré en direct d'OpenAlex

The marine sector is under increasing pressure to reduce greenhouse gas (GHG) emissions while maintaining fuel operability in cold climates. This study presents a new sensing technique to overcome the limitations of conventional cloud point (CP) measurements by combining fast monodirectional cooling (FMC) with digital image analysis, providing improved accuracy and reproducibility for marine biofuel blends. To support the freeze-tolerant integration of renewable fuels into fossil-based matrices, two blending strategies were tested with this newly developed cell. The first involves blending Arctic diesel and marine gas oil (MGO) with renewable components such as hydrotreated vegetable oil (HVO) and fatty acid methyl ester (FAME)-based biodiesel. While HVO effectively lowers CP and improves cold flow, biodiesel tends to increase CP due to early crystallization of saturated FAMEs. Notably, MGO-HVO blends exhibited a nonmonotonic CP trend, with some blends unexpectedly reducing the CP below that of either of the individual fuels, suggesting synergistic molecular interactions. The second strategy addresses the cold flow limitations of biodiesel by blending it with Jet A-1, a drop-in fuel known for its favorable low-temperature properties. However, even at high Jet A-1 concentrations, CP levels remained high due to persistent FAME crystallization. These findings highlight the importance of tailored blending strategies to address decarbonization goals with reliable cold weather performance, and provide practical guidance for formulating winter-grade marine fuels that meet both environmental and operational requirements.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,272
Écart entre enseignants0,245 · 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 source (Gemma direct ou Codex distillé), 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

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIndustrial & Engineering Chemistry ResearchMême sujetHeat Transfer MechanismsTravaux en français237 207