RP-3/n-丁醇混合燃料喷雾特性的预测建模：基于实验数据驱动方法的反向传播神经网络方法

《Renewable Energy》：Predictive modeling of spray characteristics in RP-3/n-butanol hybrid fuel: a backpropagation neural networks approach based on experimental data-driven method

n-丁醇与RP-3喷气燃料混合燃料的喷雾特性及BPNN预测模型研究。通过定容燃烧室实验，采用直接成像和schlieren技术，分析0%-50%混合比例下非蒸发/蒸发条件下的喷雾发展过程。结果表明：n-丁醇含量增加导致粘度上升、密度下降、表面张力降低，喷雾特性呈现非线性变化；高压喷射增强轴向穿透，环境压力影响径向扩散；高温环境促进蒸发，缩短穿透长度但扩大锥角。构建BPNN神经网络模型，最优结构NET27预测误差（MAPE）<5%，验证模型有效，为混合燃料燃烧优化提供工具。

　　随着全球能源结构的不断演变，航空业作为碳排放的主要来源之一，正面临着巨大的减排压力。传统的航空燃料主要依赖于化石燃料，其燃烧过程会产生大量温室气体和其他污染物，这对环境造成了严重影响。因此，寻找一种可持续、低碳的替代燃料成为航空业实现绿色转型的关键。n-丁醇作为一种生物基可再生燃料，因其在与碳氢航空燃料的兼容性方面表现出色，被视为一种具有潜力的低碳替代方案。本研究围绕RP-3航空燃料与n-丁醇的混合燃料喷雾特性展开，通过实验与建模相结合的方式，深入探讨其在不同混合比例、环境条件和喷射参数下的表现，旨在为航空燃料的低碳化发展提供科学依据。

在实验准备阶段，研究人员首先对制备的RP-3/n-丁醇混合燃料的物理化学参数进行了测量和计算。随后，利用构建的常压燃烧室（CVCC）实验装置，结合高速摄像机，记录了混合燃料喷雾的形成过程。最后，通过数字图像分析技术提取喷雾轮廓，并定量分析喷雾的宏观特性，如喷雾穿透长度（SPL）、喷雾锥角（SCA）、喷雾面积（SA）和喷雾体积（SV）。这些实验手段为后续的建模和预测提供了坚实的数据基础。

实验结果显示，随着n-丁醇含量的增加，其物理化学性质发生了显著变化。具体而言，n-丁醇的运动粘度有所上升，而密度和表面张力则相应下降。这些变化对喷雾的发展过程产生了复杂的影响，导致喷雾特性呈现非单调变化。例如，在非蒸发条件下，喷雾的形态和分布会受到粘度和密度的影响，而蒸发条件下的喷雾则会因表面张力的变化而表现出不同的扩散行为。值得注意的是，喷射压力的提高能够增强喷雾的轴向穿透能力，而环境压力则主要影响喷雾的径向扩散。此外，环境温度的升高有助于燃料的汽化和蒸发，从而在一定程度上缩短喷雾的穿透长度，同时略微扩大喷雾锥角。

为了更准确地预测喷雾特性，研究人员构建了多个反向传播神经网络（BPNN）模型，并通过多次实验验证，最终选择了最优的模型结构NET 27。该模型在验证过程中表现出较高的预测精度，其平均绝对百分比误差（MAPE）不超过5%，说明其在喷雾特性预测方面具有良好的适用性和准确性。这一成果不仅为理解喷雾发展机制提供了新的工具，也为进一步优化混合燃料的使用条件奠定了基础。

从实验结果可以看出，喷雾特性的变化并非简单地与n-丁醇含量呈线性关系。例如，在较低的混合比例下，n-丁醇对喷雾的渗透和扩散可能表现出较强的促进作用，而在较高的混合比例下，其影响则趋于复杂。这种非单调性可能源于多种因素的相互作用，包括燃料的物理化学性质、喷射参数和环境条件的综合影响。因此，建立一个能够综合考虑这些因素的预测模型显得尤为重要。

在构建BPNN模型的过程中，研究人员充分利用了人工智能技术在处理非线性和随机性数据方面的优势。传统的实验方法虽然能够提供直观的数据，但在面对复杂多变的喷雾形成过程时，其局限性逐渐显现。相比之下，BPNN模型能够通过大量的训练数据，自动学习并捕捉喷雾形成过程中的关键特征，从而实现对喷雾特性的高精度预测。此外，BPNN模型的建立过程相对高效，能够在较短的时间内完成模型训练和优化，为后续研究提供了强有力的技术支持。

值得注意的是，n-丁醇作为生物基燃料，具有诸多优点。首先，其能量密度较高，能够满足航空燃料对能量输出的基本要求。其次，n-丁醇具有良好的溶解性，能够与碳氢燃料良好混合，从而提升燃料的整体性能。此外，n-丁醇的低运动粘度和快速火焰传播速度，使其在喷雾形成和燃烧过程中表现出较好的适应性。这些特性使得n-丁醇在作为航空燃料替代品方面具有较大的潜力。

然而，尽管n-丁醇在航空燃料领域展现出诸多优势，其在实际应用中的挑战依然存在。例如，n-丁醇的高沸点和低饱和蒸气压有助于减少高温环境下燃料管道中的汽锁现象，但同时也可能影响燃料的蒸发速率和燃烧效率。此外，n-丁醇的弱吸湿性可以有效防止燃料系统中的腐蚀问题，但其在不同环境条件下的表现仍需进一步研究。因此，如何在不同工况下优化n-丁醇的混合比例，使其在保证燃烧效率的同时，尽可能减少对燃料系统的影响，是未来研究的重要方向。

在航空燃料的替代方案中，可持续航空燃料（SAF）被认为是最具可行性的选择之一。SAF通常由生物质原料合成，并与传统航空燃料混合使用，从而在不改变现有发动机结构的前提下，实现碳排放的显著降低。目前，全球已有多种SAF生产技术获得美国材料与试验协会（ASTM）的认证，其中酒精到航空燃料（ATJ）工艺因其高产率和相对成熟的技术路线，成为研究的重点。ATJ工艺通过将生物质转化为糖类，再通过发酵生成乙醇、丁醇等醇类物质，最后通过一系列化学反应将其转化为航空燃料。这一过程不仅能够有效利用生物质资源，还能减少对化石燃料的依赖，为航空业的可持续发展提供支持。

然而，尽管SAF技术在理论上具有可行性，其实际推广仍面临诸多挑战。首先，SAF的生产过程需要大量的原材料和复杂的工艺流程，这在一定程度上限制了其大规模应用。其次，SAF的验证过程通常需要进行一系列严格的实验测试，这不仅耗时耗力，还增加了生产成本。因此，如何提高SAF的生产效率，降低其成本，是推动其广泛应用的关键。此外，不同类型的SAF在物理化学性质上可能存在差异，这些差异可能会影响其在发动机中的表现，因此需要对各种SAF进行系统的研究和评估。

在喷雾特性研究方面，BPNN模型的应用为航空燃料的优化提供了新的思路。通过建立基于实验数据的神经网络模型，研究人员能够更准确地预测喷雾在不同工况下的表现，从而为燃料混合比例的调整和发动机设计的优化提供依据。BPNN模型的预测结果与实验数据之间表现出良好的一致性，说明该模型在处理喷雾形成过程中的非线性和复杂性方面具有较高的准确性。这一成果不仅有助于提升航空燃料的燃烧效率，还能为减少污染物排放提供技术支持。

未来的研究方向将集中在如何进一步优化BPNN模型的结构和参数，以提高其在不同工况下的适用性。此外，研究人员还计划将BPNN模型与其他预测工具相结合，以构建更加全面和精确的喷雾特性预测体系。同时，探索不同类型的SAF在喷雾特性上的差异，也将成为未来研究的重要内容。通过这些研究，航空业有望在实现碳中和目标的同时，提升燃料的性能和环保性。

总的来说，本研究通过实验与建模相结合的方式，深入分析了RP-3/n-丁醇混合燃料的喷雾特性，并构建了一个能够准确预测喷雾行为的BPNN模型。这一成果不仅为航空燃料的低碳化发展提供了理论支持，也为未来研究提供了新的方法和技术路径。随着对SAF和生物基燃料研究的不断深入，航空业有望在不久的将来实现更加环保和可持续的燃料供应体系。