基于Kriging代理模型与NSGA-II耦合的稀燃氢氨发动机直喷参数多目标优化研究

《Renewable Energy》：Optimization of direct injection parameters for lean-burn hydrogen-ammonia engines using Kriging surrogate model coupled NSGA-II

本文针对稀燃氢氨发动机存在的氮氧化物（NO）排放高和峰值缸压（Pmax）不足问题，创新性地采用Kriging代理模型与非支配排序遗传算法（NSGA-II）相结合的方法，优化了燃料成分和喷射正时等直喷策略。研究通过三维仿真与多目标优化，成功实现了在提升指示热效率（ITE）和Pmax的同时显著降低NO排放，为清洁能源发动机的性能优化提供了重要技术路径。

　　

亮点

模型构建

本研究利用CONVERGE软件建立了直喷氢氨火花点火发动机的三维模型。该模型基于广西玉柴机器股份有限公司的K05单缸发动机。发动机模型的详细信息和详细规格见补充材料的图S1和表S1。火花塞安装在气缸盖中央。一个侧置燃料喷射器（喷嘴直径2毫米）位于距离火花塞40毫米处，朝向30度角。

优化流程

本研究的多目标优化过程如图S4所示。在图S4(a)中，第一步涉及设置设计变量和目标函数。第二步，拉丁超立方采样（LHS）在优化范围内对设计变量进行采样，相应的目标函数使用CONVERGE软件计算。第三步使用样本及其目标函数训练Kriging代理模型。使用额外的10组数据验证准确性（图2）。如果R2 ≤ 0.9，则返回第二步进行重新采样。如果R2 > 0.9，则进入第四步。第四步，将训练好的Kriging代理模型与NSGA-II算法耦合进行多目标优化。第五步，使用TOPSIS方法从Pareto前沿中选择最优解。第六步，通过CONVERGE软件验证最优解。

NSGA-II优化与TOPSIS决策

NSGA-II的超体积收敛分析如图S6所示，其变化率小于1%，表明算法已达到稳定收敛。基于NSGA-II，本研究通过NSGA-II获得了50个Pareto最优解。由Kriging代理模型预测的Pareto前沿解仍然约束在训练模拟范围内，但有效捕捉了发动机优化机制。如图3所示，Pareto前沿沿着主要优化方向延伸。在Pareto解集中，ITE、P_max和NO排放之间存在线性权衡关系。当NO排放降低时，P_max和ITE倾向于增加。然而，P_max和ITE之间也存在权衡关系。当P_max增加时，ITE倾向于降低。这种权衡关系表明，同时最大化P_max和ITE并最小化NO排放是具有挑战性的。为了从Pareto解集中选择最佳折衷方案，采用了TOPSIS方法。TOPSIS方法根据与理想解和负理想解的接近程度对方案进行排序。最佳折衷方案是距离理想解最近、距离负理想解最远的方案。

结论

为了改善直喷氢氨发动机的性能，本研究基于经过验证的氢氨发动机模型，应用Kriging代理模型和NSGA-II优化算法对喷射参数进行了优化。主要结论如下：

使用NSGA-II算法进行优化得到的Pareto解集，其整体性能优于初始工况。NSGA-II算法有效地协调了各种发动机喷射参数，以实现多目标优化。