As the problem of global warming continues to intensify, carbon-free fuel ammonia is crucial for internal combustion engines, and a potential ammonia combustion route is dual-fuel mode. The impact of various injection rate shapes (trapezoid, wedge, slope, triangle, and rectangle) on engine combustion and emissions performance with 0 %, 20 %, and 40 % ammonia energy fractions were estimated. Under the identical ratio of the ammonia-doped schemes, the fuel injection gross mass and fuel injection duration are the same. The results indicate that the triangle injection rate shape can make the mixture of diesel and ammonia gas more uniform, leading to combustion in the combustion chamber closer to homogeneous combustion. When the injection shape is the triangle, the indicated mean effective pressure in the cylinder is the highest at 10.29 bar, which is 4.04 % higher than that of the pure diesel original injection shape. The triangle injection shape makes the ammonia-diesel dual fuel burn more concentrated, resulting in lower unburned ammonia loss and higher thermal efficiency. Under the 40 % ammonia energy fraction and triangle injection shape, the highest thermal efficiency reaches 40.57 %, 1.58 % higher than the pure diesel original injection shape. Additionally, it significantly reduces unburned ammonia emissions. The injection rate shapes have a minor impact on CO2 emissions. The rapid increase in-cylinder average temperature can substantially reduce N2O emissions, thereby lowering total greenhouse gas emissions. Among them, the total greenhouse gas emissions of 40 % ammonia energy fraction and triangle injection shape are the lowest, at 81619 ppm, which is 11.3 % lower than that of pure diesel original injection shape. On the contrary, it will increase NOx emissions. Conversely, the slopes exhibit the lowest NOx emissions at 220.8 ppm, representing an 88 % reduction compared to the pure diesel original injection shape.

Summary Datasets and their distributions are important for establishing priors in inverse problems, training neural networks, and uncertainty quantifications. For our subsurface models, acquiring and preserving the appropriate distribution poses a significant challenge. So, we delve into the pivotal role of generative models, particularly focusing on their application in learning and storing distributions of seismic velocity models. While generative adversarial networks and diffusion models are often used, we criticize their tendency to treat velocity models in a uniform manner with respect to spatial position, disregarding the common acquisition setup where data are recorded on the Earth's surface. Hence, we introduce VelocityGPT, drawing inspiration from autoregressive models that sequentially predict the next items (words, image patches, etc.) in a sequence based on the previous ones. Our model is designed to predict deeper layers based on information from previous layers, aligning with the shallow-to-deep model-building convention. Applications on synthetic examples show our ability to generate models and control them. We will show applications on more realistic models in the presentation of this work.