基于熵优先-聚类混合算法的氢液化预冷工质机器学习优化研究

本研究针对氢液化预冷阶段高能耗难题，创新性地结合热力学模拟、多准则决策与机器学习聚类（K-means/GMM），优化混合制冷剂组分。研究发现氮/甲烷对性能提升最显著（甲烷占比30%时主导），而丁烷/戊烷表现消极；通过聚类验证最优组成为16%甲烷+18%丙烷+16%氦+8%二氧化碳，实现COP 3.80与SEC 1.48 kWh/kgLH2，为氢液化能效提升提供数据驱动新范式。

　　

氢能作为零碳能源载体，其大规模应用面临液化能耗过高的瓶颈。氢液化需冷却至-253°C，预冷阶段能耗占全过程40%以上，而传统混合制冷剂设计依赖经验试错，难以捕捉组分间非线性热力学相互作用。当前最优液化比能耗(SEC)为6.15 kWh/kg_LH2，距理论极限仍有差距。混合制冷剂组分优化涉及多元相变、临界参数匹配等复杂问题，现有研究多忽略预冷环节的能效提升潜力。

研究人员通过集成Aspen HYSYS热力学模拟、熵权法多指标决策、K-means聚类与高斯混合模型(GMM)概率优化，构建了数据驱动的混合制冷剂设计框架。首先采用Peng-Robinson状态方程模拟152组制冷剂组合的性能系数(COP)和SEC，通过Pearson相关性分析发现氮(r=0.82)和甲烷(r=0.79)对COP提升最显著，而丁烷(r=-0.61)呈负相关。熵权法优先级排序显示甲烷(30%)、乙烷(15%)、乙烯(10%)和丙烷(10%)为关键组分。

Material and equipment setup
建立包含12种制冷组分的数据库，约束条件为-196°C至-60°C温区覆盖，采用三阶多项式拟合组分浓度与COP/SEC的非线性关系。

Correlation analysis for outcomes
甲烷浓度与COP呈强正相关(斜率1.8)，丙烷在15-20%浓度区间使SEC降低14%。氦的加入虽提高压缩功耗，但通过降低混合物的临界温度使换热效率提升22%。

Methodology
K-means将数据集划分为5类，第2类聚类中心(甲烷16%±1.2、丙烷18%±0.8)表现最优。GMM进一步优化该集群，获得概率密度最高的组成为甲烷16.2%、丙烷17.6%、氦15.8%、二氧化碳8.1%，其COP较传统配比提高31%。

Conclusion
该研究突破性地将机器学习引入制冷剂设计：

1. 熵权法揭示甲烷对预冷效率的支配性影响，推翻传统均质化配比假设；
2. 聚类分析发现氦-二氧化碳协同效应，使SEC降至1.48 kWh/kg_LH2，较文献值降低52%；
3. GMM概率优化证明16-18%丙烷浓度区间存在全局最优解。

该成果为氢液化设备提供可工程化的制冷剂配方，推动SEC向美国能源部设定的6 kWh/kg_LH2目标迈进。未来可扩展至正交-仲氢转化环节优化，有望实现全流程能效突破。