Estudio de la variación del grado de octanaje mediante mezclas de gasolinas extra, súper y aditivo mejorador de octanaje en Ecuador
Bibliographic record
Abstract
Introducción: El uso de la gasolina a nivel mundial sigue creciendo, impactando la economía y la geopolítica. En Ecuador, se comercializan gasolinas con diferentes RON: Extra (85), Eco País (87) y Súper (95). Se evaluó la variación del octanaje de mezclas de gasolinas y la adición de aditivos mejoradores de octanaje. Metodología: Los experimentos se realizaron en la Refinería Estatal de Esmeraldas utilizando un Octanómetro tipo chispa, se plantearon tres tipos de muestras: mezclas de Extra con Súper, Eco País con Súper, y Extra con aditivos, la información obtenida se añadió a la base de datos del método FTIR para identificar el RON de manera más rápida y precisa. Resultados: Los resultados del FTIR fueron consistentes en un 99% con el Octanómetro. Las mezclas de gasolinas mostraron variaciones en el RON, mientras que la adición de aditivos a la gasolina de 85-RON solo incrementó 1.9 el RON en un solo caso. Discusión: A pesar de que este trabajo no es comparable a otros, debido a las características de la gasolina en Ecuador, creemos necesario pasar al estudio de las diferentes mezclas midiendo otros parámetros como el MON y compuestos oxigenados. Conclusiones: Las mezclas de combustible en diferentes proporcionan si representa una alternativa técnica para el consumidor. Además, se mejoró la prueba de análisis rápido con una curva consistente con el método del octanómetro tipo chispa.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".