Numerical investigation of synergistic effects of nanopulsed plasma and water addition on hydrogen combustion and NO emissions
Notice bibliographique
Résumé
This study presents a novel integrated approach using nanopulsed repetitively pulsed discharge (NRPD) plasma with H 2 /H 2 O/Air mixtures to overcome high NO emissions and ignition delay timing (IDT) in hydrogen combustion, utilizing zero-dimensional ChemPlasKin simulations and Design of Experiments (DoE). A key finding is that while water vapor inhibits conventional autoignition, plasma-assisted ignition (PAI) is insensitive to water, as plasma dissociates H 2 O into reactive radicals (H, O, OH), effectively turning water into an ignition promoter and enhancing early radical formation. PAI achieves significantly lower flame temperatures (12.3 % reduction) and approximately 58 % lower NO emissions compared to conventional autoignition through non-thermal chemical pathways. Comparative analysis quantified that plasma kinetic effects play a dominant role in reducing IDT, contributing substantially more to enhancement than plasma thermal effects alone. Furthermore, the sensitivity analysis of NO formation revealed that water vapor significantly alters the kinetics of NO-related reactions, changing the sensitivity and role of key pathways like H + NO 2 ⇌ NO + OH, suggesting water can reverse certain reactions from producing NO to consuming it. This plasma-water synergy successfully broadens and stabilizes low-NO combustion regimes. • Plasma–water synergy cuts NO x emissions by up to 58 % vs autoignition. • NRPD plasma offsets water's inhibition, cutting ignition delay. • Plasma lowers flame temperature ∼12.3 %, limiting thermal NO x . • Water generates radicals (H, O, OH) in plasma, boosting ignition. • DoE optimization conditions for stable, low-NO x hydrogen combustion.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».