利用废旧轮胎热解油与加氢处理植物油混合物预测柴油发动机排放的机器学习方法

《Process Safety and Environmental Protection》：Machine Learning Approaches for Predicting Diesel Engine Emissions Using Waste Tire Pyrolysis Oil– Hydrotreated Vegetable Oil Blends

本研究通过实验和机器学习方法评估了轮胎热解油（TPO）与加氢植物油（HVO）混合燃料在压缩点火发动机中的性能和排放特性。在15%、30%和60%的TPO体积分数下，混合燃料的制动热效率较纯柴油分别提升28.2%、下降趋势，并构建了线性回归、k近邻、随机森林和梯度提升四类机器学习模型预测排放参数。结果表明随机森林模型预测精度最优，为未来轮胎热解油替代柴油提供数据驱动的优化框架，同时验证了混合燃料在特定比例下的减排潜力。

　　本研究围绕轮胎热解油（TPO）与氢化处理植物油（HVO）混合燃料在压缩点火（CI）发动机中的应用展开，旨在探索其作为柴油燃料替代品的可行性。随着全球对可持续能源和环保技术的重视，传统能源的使用面临越来越多的挑战。特别是，废弃轮胎的处理成为环境治理的重要议题之一。由于轮胎的使用寿命较长，且自然降解过程缓慢，大量废弃轮胎堆积在垃圾填埋场或通过焚烧处理，导致严重的环境问题。这种处理方式不仅占用大量土地资源，还会释放大量的温室气体和有毒物质，如二噁英等，对空气质量和生态系统造成不可忽视的影响。因此，寻找更环保、高效的轮胎处理方式成为研究热点。

在这一背景下，热化学回收技术，如热解和气化，逐渐受到关注。这些技术能够在不破坏环境的前提下，将废弃轮胎转化为有价值的能源和材料。通过优化热解工艺，可以得到高达55%至56%的热解油产量，同时产生10%至20%的热解气体和20%至35%的固体残留物。这些产物不仅可以作为燃料使用，还可以进一步加工成化学品或材料。例如，热解气体可以用于化学反应，固体残留物可转化为活性炭或土壤改良剂，而热解油则可以在适当处理后作为液体燃料或化工原料使用。这种技术的应用不仅有助于减少废弃物的堆积，还能推动循环经济的发展，为可持续能源系统提供新的思路。

然而，尽管热化学回收技术在理论上具有良好的前景，其实际应用仍面临诸多挑战。其中，一个主要的障碍是缺乏全面的经济和环境评估。目前的研究多集中于技术可行性，但对大规模应用的经济成本和环境影响的分析尚不充分。例如，有研究指出，将轮胎转化为橡胶颗粒并用于沥青混凝土，其整体环境影响比填埋轮胎降低了约72%。尽管这种做法在某些方面略显增加排放，但总体仍具有积极意义。此外，将回收的轮胎材料用于建筑行业也显示出潜力，通过人工智能算法预测其性能，有助于提高其在实际应用中的安全性与可行性。

为了克服这些挑战，研究者们开始将机器学习（ML）等先进数据分析技术引入到轮胎回收和燃料替代的研究中。机器学习能够通过分析大量实验数据，建立预测模型，从而减少对物理实验的依赖，提高研究效率。本研究采用四种监督学习算法，包括线性回归（LR）、k近邻（KNN）、随机森林（RF）和梯度提升（GB），对不同TPO-HVO混合比例下的发动机性能和排放特性进行建模和预测。这些模型能够有效捕捉数据中的复杂非线性关系，提高预测的准确性。

研究发现，随机森林模型在预测发动机排放特性方面表现最为优异，其在R2评分、均方根误差（RMSE）和平均绝对误差（MAE）等指标上均优于其他模型。这表明，基于集成学习的随机森林算法在处理多变量数据和预测复杂系统行为方面具有显著优势。梯度提升模型紧随其后，而KNN和线性回归模型则在预测精度上略逊一筹。这些结果突显了机器学习在优化燃料使用和提升发动机性能方面的潜力。

在实际应用中，TPO-HVO混合燃料的表现与纯柴油和纯HVO存在显著差异。研究显示，当HVO作为主要燃料时，发动机的制动热效率（BTE）提高了30.8%，同时减少了排放的形成。然而，随着TPO比例的增加，如15%、30%和60%的体积比例，BTE逐渐下降。这表明，虽然TPO具有一定的能量密度，但其物理化学特性，如高粘度、高芳香烃含量和高硫化合物含量，可能会影响发动机的燃烧效率。因此，混合比例的优化成为研究的关键点。

此外，研究还指出，HVO作为可再生生物燃料，其燃烧特性与传统柴油非常相似，具有较高的十六烷值，确保了燃烧的高效性和稳定性。同时，HVO的低芳香烃含量有助于减少颗粒物和烟尘的形成，提高燃烧的清洁度。这些特性使得HVO成为柴油发动机的理想替代品。然而，TPO与HVO的混合使用仍然存在一些挑战，如燃烧效率的降低和排放的增加，这需要进一步的研究和优化。

在实验过程中，研究团队使用了单缸直接喷射柴油发动机作为测试平台，配备了BOSCH VP37电子控制单元（ECU）以精确控制燃油喷射时间和量。燃料系统包括一个旋转机械喷油泵，确保了实验条件的可控性和数据的可靠性。通过对不同混合比例下的发动机性能进行评估，研究团队获得了关于燃料替代效果的详细数据，这些数据为后续的机器学习建模提供了坚实的基础。

本研究还强调了机器学习在优化燃料使用和减少实验成本方面的价值。通过将实验数据与机器学习模型相结合，研究人员能够更快速地识别最佳的燃料混合比例，从而提升发动机的效率和降低排放。这种数据驱动的方法不仅提高了研究的效率，还为未来的燃料开发和环境评估提供了新的工具和思路。

综上所述，本研究通过实验和机器学习的结合，探索了TPO-HVO混合燃料在柴油发动机中的应用潜力。研究结果表明，HVO作为替代燃料在提高发动机效率和减少排放方面具有显著优势，而TPO的加入则需要在混合比例上进行精细调整，以达到最佳的性能和环境效益。未来的研究可以进一步探索不同混合比例对发动机性能的影响，以及如何通过优化热解工艺和燃料配方来提高TPO-HVO混合燃料的适用性。同时，机器学习技术的持续发展和应用，将为这一领域带来更多创新和突破。