石墨烯氧化物掺杂柴油/正己醇混合燃料的燃烧特性与排放预测：基于ITCN-TSO模型的高精度研究

为解决内燃机(ICE)排放污染问题，研究人员通过恒容燃烧室(CVC)实验结合光学可视化技术，探究了石墨烯氧化物(GO)掺杂柴油/正己醇混合燃料的喷雾-燃烧-排放特性，并开发了TSO-ITCN混合预测模型。该模型通过隔离森林(IF)算法和相关性分析优化数据，采用金枪鱼群优化(TSO)算法改进时序卷积网络(ITCN)，实现了对D80H20GO系列燃料的高精度预测(R2>0.99)，揭示了40 ppm GO为最佳掺杂浓度，为清洁燃料开发提供新策略。

　　

随着全球工业化进程加速，内燃机(ICE)作为核心动力装置在带来高效能的同时，其排放的颗粒物(PM)、氮氧化物(NO_x)等污染物已成为环境与健康的重要威胁。传统化石燃料的清洁化改造迫在眉睫，而高碳醇类燃料因其含氧特性被视为理想替代品，但存在热值低、稳定性差等技术瓶颈。更棘手的是，现有排放预测模型难以适应新型混合燃料的复杂工况，缺乏普适性和解释性。这一背景下，国内广西大学的研究团队在《Journal of Environmental Chemical Engineering》发表研究，通过多尺度实验与人工智能融合，为清洁燃料设计与智能预测提供了突破性解决方案。

研究采用恒容燃烧室(CVC)系统结合高速摄影技术，系统分析了20-60 ppm石墨烯氧化物(GO)掺杂柴油/正己醇(D80H20)混合燃料的喷雾扩散角(SDA)、投影面积(SPA)等参数；开发了基于金枪鱼群优化(TSO)算法的改进时序卷积网络(ITCN)模型，通过隔离森林(IF)算法清洗数据，结合Spearman/Pearson相关性分析筛选特征变量，最终构建了TSO-ITCN预测框架。

喷雾与燃烧特性

实验表明，40 ppm GO掺杂燃料展现出最优性能：喷雾尖端穿透距离(STP)延长8%，扩散角(SDA)波动范围达8°，同时燃烧温度与KL因子（碳烟浓度指标）最低。GO的层状结构通过增强热传导促进燃料雾化，而其表面含氧官能团加速了自由基链式反应。

模型优化结果

TSO算法将ITCN的学习率与批量大小分别优化至0.0018和64，使模型在D80H20GO20/40/60三种燃料的预测中均达到R2>0.99，均方根误差(RMSE)<0.00175。对比实验显示，该模型预测精度较LSTM、GRU等传统神经网络提升12%-18%。

讨论与意义

该研究首次阐明GO在柴油/正己醇体系中的"浓度-效能"关系：40 ppm GO通过物理（增强雾化）与化学（催化氧化）双重机制协同降低PM和NO_x生成。所提出的TSO-ITCN模型突破了传统机器学习对新型燃料的适应性局限，为复杂工况下的实时排放监控提供了工具。值得注意的是，GO的环保特性避免了纳米金属添加剂的二次污染风险，而正己醇的疏水特性解决了低醇燃料的相分离问题，这种"双绿色"设计理念对推进碳中和目标具有示范价值。

研究结论部分强调，该成果不仅为柴油/高碳醇-GO混合燃料的工业化应用提供了40 ppm这一关键参数，更开创了"实验表征-算法优化-智能预测"三位一体的研究范式。未来可进一步探索GO与其他可再生燃料的协同效应，并将TSO-ITCN模型扩展至多燃料多工况预测系统。