Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

MNiSW
200
Lista 2023
Status:
Autorzy: Žvirblis Tadas, Hunicz Jacek, Matijošius Jonas, Rimkus Alfredas, Kilikevičius Artūras, Gęca Michał Sławomir
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2023
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 4
Wolumen/Tom: 25
Strony: 1 - 19
Impact Factor: 2,2
Web of Science® Times Cited: 8
Scopus® Cytowania: 4
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Materiał konferencyjny: NIE
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Otwarte czasopismo
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 2 listopada 2023
Abstrakty: angielski
The reliability of internal combustion engines becomes an important aspect when traditional fuels with biofuels. Therefore, the development of prognostic models becomes very important for evaluating and predicting the replacement of traditional fuels with biofuels in internal combustion engines. The models have been made to model AVL 5402 engine emission, vibration, and sound pressure parameters using a three- stage statistical regression models. The fifteen parameters might be accurately predicted by a single statistic presented here. Both fuel type (diesel fuel and HVO) and engine parameters that can be adjusted were considered, since this analysis followed the symmetry of the methods. The data analysis process included three distinct steps and symmetric statistical regression testing was performed. The algorithm examined the effectiveness of various engine settings. Finally, the optimal fixed engine parameter and the optimal statistic were used to construct an ANCOVA model. The ANCOVA model improved the accuracy of prediction for all fifteen missing parameters.