基于概率深度学习视角的可持续燃料设计路径：面向碳中和的低碳替代燃料开发

为解决重型运输领域难以减排的挑战，研究人员开展了一项基于概率深度学习的可持续燃料设计研究。该研究构建了条件生成模型预测纯化合物和燃料混合物的理化性质，并开发了逆向设计框架筛选符合特定要求（如十六烷值CN和产烟指数YSI）的新型柴油燃料配方。结果表明，AI辅助的燃料设计方法可开发出与现有设备完全兼容的可持续液体燃料，为交通领域碳中和目标提供了创新解决方案。

　　

在全球迈向碳中和的背景下，重型运输领域因其依赖高能量密度液体化石燃料而成为减排难点。国际能源署数据显示，2023年交通运输部门CO₂
排放达8.3 Gt，较199年增长63%。传统燃料设计方法依赖试错法，效率低下且难以应对复杂混合物。为此，研究人员开发了创新的AI辅助燃料设计框架。

该研究由多国团队合作完成，论文发表在《Advances in Applied Energy》。研究采用概率深度学习技术，重点开发了三个关键技术：1）基于SMILES（简化分子线性输入规范）的四种分子表征方法（Descriptors、ECFPs、Mol2Vec和Seq2Seq）；2）结合VAE（变分自编码器）和GAN（生成对抗网络）的条件生成模型；3）集成L1正则化的逆向设计优化框架。研究使用了包含708个CN测量值和624个混合燃料样本的数据库。

分子表征比较研究表明，Mol2Vec在预测燃料理化性质方面表现最优（R²
≥0.9）。条件生成模型成功量化了预测不确定性，对纯化合物CN的预测MAE（平均绝对误差）仅0.06，显著优于传统GNN（图神经网络）模型的4.05。通过迁移学习，该模型在YSI预测中也表现出色（MAE=2.61），优于现有MLP（多层感知机）模型的21.56。

逆向设计框架成功开发了157种柴油混合配方，分为四类：纯烃类（D系列）、含醇类（A系列）、含醚类（E系列）和含脂肪酸甲酯（FAME系列）。其中OME_x
（聚甲氧基二甲醚）添加剂配方展现出显著优势，E6配方的YSI仅为44.14，较传统柴油（YSI～235）降低81%。所有设计配方均满足中国VI #0柴油标准（CN=56.5），且保持了42-43 MJ/kg的较高热值（LHV）。

该研究建立了首个整合概率深度学习与燃料设计的完整框架，其重要意义体现在三方面：首先，条件生成模型解决了传统方法无法量化预测不确定性的问题；其次，逆向设计实现了从性能指标到分子组成的精准映射；最后，开发的低碳燃料配方为重型运输减排提供了切实可行的解决方案。特别值得注意的是，含OME_x
的配方展现出显著的减排潜力，这与近期COP29将运输脱碳作为核心议题的倡议高度契合。未来研究可结合分子动力学模拟进一步优化燃料设计，并开发数据驱动的发动机性能预测模型。