MétaCan
Menu
Retour à la cohorte
Enregistrement W7154119758 · doi:10.1049/pbtr052e_ch9

Exploiting turbulence to enhance spark-ignition engine performance: on premixed turbulent flame acceleration

2025· book-chapter· en· W7154119758 sur OpenAlexaff
David S-K. Ting, Jacqueline A. Stagner

Notice bibliographique

Revuenon disponible
Typebook-chapter
Langueen
DomaineEngineering
ThématiqueCombustion and flame dynamics
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésTurbulenceCombustionPremixed flameFlame speedAccelerationLaminar flame speedDiffusion flameFlame structure

Résumé

récupéré en direct d'OpenAlex

In a spark-ignition engine, the turbulent flame speed/turbulence intensity ratio typically increases as the flame grows. Four possible mechanisms behind this turbulent flame acceleration under moderate-turbulence conditions are presented.1.Incremental flame/eddy size. Only eddies smaller than the flame are involved in wrinkling the flame. As the flame grows from a spark kernel, the increasing flame/eddy size ratio advances flame wrinkling. This is most significant during the early flame-development period, and it levels off when the flame grows larger than the turbulent eddies.2.Expanding-pushing effect. An unburned element undergoing combustion reactions expands and pushes the adjacent reacting segment as it burns, amplifying the wrinkling of the flame front.3.Flame-turbulence evolution. Flame-turbulence interaction evolves with time, ushering in the augmentation of the turbulent flame speed.4.Darrieus-Landau hydrodynamic instability. Diverging and converging flow streams of unburned mixture through concave and convex reacting surfaces speed up and slow down local flame fronts, respectively, furthering flame corrugation.These mechanisms can be exploited to promote controllable fuel-lean, turbulent-flame propagation, furthering engine efficiency while simultaneously reducing combustion emissions.

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)0,000
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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,220
Écart entre enseignants0,210 · 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'étudeSimulation ou modélisation
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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCombustion and flame dynamicsTravaux en français237 207