Fast Coupled Monodirectional Cooling Image Analysis Cell for Accurate Cloud Point Detection and Cold Flow Optimization of Renewable Marine Diesel Blends
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide 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 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 | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».