氨 - 柴油双燃料燃烧的非平衡火用分析与人工神经网络预测：最小化火用损失的策略

针对氨 - 柴油双燃料（ADDF）燃烧中火用损失问题，研究人员构建非平衡热力学框架并结合人工神经网络。发现缩短低温燃烧阶段是关键，优化初始压力、氧浓度等参数可降低总火用损失至 18.9%，MLPC-GA-BP 模型预测精度高，为氨高效利用提供理论依据。

　　

随着全球气候变暖加剧，航运业作为温室气体（GHG）排放的重要来源，急需向碳中和能源结构转型。氨因零碳排放、抗爆性好等优势成为极具潜力的替代燃料，但其高自燃温度、窄可燃极限和慢火焰速度等特性，导致纯氨难以有效利用，氨 - 柴油双燃料（ADDF）燃烧虽能改善燃烧特性，但燃烧过程中的火用损失（Exergy Loss，能量中无法转化为功的部分）会降低燃料做功潜力，制约热效率提升。现有研究多基于熵增计算火用损失，未深入探究具体来源及反应路径，且针对 ADDF 火用损失的研究尚不充分，因此亟需深入分析其火用损失机制并开发高效预测方法。

为解决上述问题，国内研究人员开展了氨 - 柴油双燃料燃烧的非平衡火用分析及人工神经网络预测研究，相关成果发表在《Fuel》。

研究主要采用以下关键技术方法：构建基于非平衡热力学的火用分析模型，计算燃烧过程中各化学反应的火用损失；设计绝热恒容均质反应器模拟 ADDF 燃烧过程，设定初始温度（T_in）、初始压力（P_in）、等效比（ER）、氨能量比（R_AE）、氧浓度（[O₂]）等边界条件；开发 MLPC-GA-BP 人工神经网络（ANN）模型，结合遗传算法（GA）优化反向传播（BP）神经网络参数，实现火用损失的精准预测。

火用损失模型

研究建立 ADDF 火用分析模型，以燃料化学火用（Ex_fuel）为基础，通过公式 Ex_fuel=∑N_i(μ_i-μ_i,0) 计算，其中 N_i为物质的量，μ_i和 μ_i,0分别为 i 物质的化学势和标准态化学势。该模型可精确量化各化学反应的火用损失，为分析提供理论基础。

火用损失（Ex_loss）特征

在绝热恒容均质反应器中，分析 ADDF 燃烧的火用损失来源。结果表明，低温燃烧阶段火用 - 热比值较高，缩短该阶段是最小化火用损失的关键。初始温度、初始压力、等效比和氧浓度显著影响不可逆火用损失和不完全火用损失，进而影响总火用损失（Ex_tot）。优化条件（初始压力 16.5 MPa、氧浓度 15%、氨能量比 80%）下，总火用损失可降至 18.9%。

MLPC-GA-BP-ANN 模型

针对三维火用分析的计算复杂性，开发 MLPC-GA-BP 神经网络模型。该模型通过多层感知器（MLPC）结合遗传算法优化 BP 网络，对不同工况下的火用损失特征进行预测，不可逆火用损失预测的 R²达 0.9991，不完全火用损失预测的 R²达 0.9986，展现出卓越的预测精度，为三维扩展应用奠定基础。

优化策略与效率提升

提出贫燃、热障涂层和废气再循环（EGR）的混合优化策略。在极端压缩比下，该策略使第二定律效率达 67.1%，火用损失最小化至 14.5%，显著提升燃料做功潜力和燃烧效率。

研究结论表明，ADDF 燃烧中火用损失主要源于化学反应过程，缩短低温燃烧阶段、优化边界条件可有效降低火用损失。MLPC-GA-BP 模型为火用损失预测提供了高效工具，混合优化策略显著提升了燃烧效率和第二定律效率。该研究不仅揭示了 ADDF 燃烧的火用损失机制，还为氨燃料在发动机中的高效利用提供了理论支撑和优化路径，对航运业实现碳中和目标具有重要意义，同时为燃烧火用优化领域提供了跨学科研究方法参考。