满江红生物柴油在柴油机中的性能与排放特性及机器学习预测研究

《Results in Engineering》：Performance and Emission Characteristics of Azolla pinnata Biodiesel in a Diesel Engine and Prediction Using a Machine Learning Approach

本文针对日益严格的排放法规和化石燃料需求增长问题，研究了满江红（Azolla pinnata）生物柴油（AB）混合燃料在柴油机中的性能优化和排放行为。研究人员通过实验测试了5%、10%和20%的AB混合燃料（D95AB5、D90AB10、D80AB20）在2200 rpm恒定转速下的性能，并采用ANN、kNN、RF、SVM、XGB五种机器学习算法进行预测。结果表明，AB混合燃料能显著降低CO2（最高40.9%）和HC排放，但NOx排放有所增加；XGB模型在预测BSFC、BTE和NOx方面表现最优（R2最高达0.999）。该研究为生物柴油的性能和排放预测提供了高效、准确的AI解决方案，对开发可持续替代燃料具有重要意义。

　　

随着全球能源需求持续增长以及应对气候变化的紧迫性日益凸显，交通运输领域作为化石燃料消耗和温室气体排放的主要来源之一，正面临着前所未有的转型压力。柴油发动机因其高热效率和可靠性，在重型车辆、船舶和发电等领域仍占据重要地位，但其对传统柴油燃料的依赖以及随之而来的碳排放和污染物排放问题，已成为实现可持续发展目标（SDGs）和《巴黎协定》气候目标的主要障碍。在此背景下，开发和利用可持续的替代燃料，特别是生物柴油，被视为减少对化石燃料依赖、降低碳足迹的关键途径之一。然而，生物柴油的推广应用并非一帆风顺，其燃料特性（如粘度、热值等）与传统柴油的差异，会导致发动机性能和排放特性的改变，这种变化往往复杂且非线性，使得通过传统实验方法进行全面评估成本高、周期长。因此，如何高效、准确地预测不同生物柴油在发动机中的表现，并优化其使用策略，成为了研究人员和工程师面临的重要挑战。

近期，发表在《Results in Engineering》上的一篇研究论文，为我们提供了新的思路和解决方案。该研究聚焦于一种潜在的新型生物柴油原料——满江红（Azolla pinnata），这是一种生长迅速的水生蕨类植物，具有较高的生物质产量和油脂含量，显示出作为第三代生物柴油原料的巨大潜力。研究团队不仅系统地实验评估了满江红生物柴油混合燃料在实际柴油机中的性能和排放特性，更创新性地引入并比较了多种先进的机器学习（ML）算法，旨在构建高精度的预测模型，以加速生物柴油的研发和应用进程。

为了深入探究满江红生物柴油的应用前景，研究人员开展了一项结合实验与机器学习建模的综合性研究。研究的技术路线主要包括几个关键环节：首先是满江红生物柴油的制备与特性表征，通过酯交换反应生产生物柴油，并依据ASTM标准测定其关键燃料特性如热值、粘度、密度等；其次是发动机台架实验，在一台单缸柴油发动机上，以恒定转速（2200 rpm）运行，测试纯柴油（D100）以及三种不同比例的生物柴油混合燃料（D95AB5, D90AB10, D80AB20）在不同负载条件（2 Nm 至 10 Nm）下的性能参数（如制动热效率BTE、制动比油耗BSFC）和排放物（如CO₂, NO_x, HC, 排气温度EGT）；最后是机器学习建模与预测，利用实验获得的数据集（320组数据），应用人工神经网络（ANN）、k最近邻（kNN）、随机森林（RF）、支持向量机（SVM）和极限梯度提升（XGB）五种算法，以80%的数据训练模型，20%的数据测试模型，并通过决定系数（R2）、均方根误差（RMSE）等多种统计指标全面评估各模型的预测准确性和可靠性。

3.1. 相关性热图分析

研究人员首先通过相关性热图分析了各性能与排放参数之间的内在联系。结果显示，BSFC、BTE、CO₂、EGT、HC和NO_x等参数能够较为全面地反映发动机的性能、燃烧效率及污染物排放情况，且它们之间的相关性模式为后续的机器学习特征选择提供了依据，最终确定以这几个参数作为机器学习模型预测的关键目标。

3.2. 发动机特性

3.2.1. 制动比油耗（BSFC）

实验发现，BSFC的变化强烈依赖于负载和生物柴油的混合比例。在低负载时，所有AB混合燃料的BSFC均高于纯柴油，其中D80AB20在2 Nm负载时甚至高出94.4%，表明低负载下燃油经济性较差。然而，随着负载增加，高比例AB混合燃料（如D90AB10和D80AB20）的BSFC呈现下降趋势，在高负载（10 Nm）时，相较于柴油，BSFC降低了0.5%至20.5%，显示出在高负载条件下更优的燃油经济性。这表明AB混合燃料的燃烧效率受缸内温度影响显著，在高负载下其富氧特性促进了更充分的燃烧。

3.2.2. 制动热效率（BTE）

BTE反映了燃料化学能转化为有效功的效率。研究结果表明，BTE的改善与负载和混合比例密切相关。其中，D80AB20混合燃料在中等和高负载下表现出最显著的效率提升，在4 Nm和6 Nm负载时，BTE相较于柴油分别提高了7.7%和6.8%。即使在最高负载（10 Nm）下，D80AB20仍保持了4.9%的效率优势。这表明较高比例的AB混合燃料在缸内温度足够高时，能够通过改善燃烧过程来提高能量转换效率。

3.2.3. 二氧化碳（CO₂）

排放分析显示，所有AB混合燃料均能有效降低CO₂排放。减排效果在不同混合比例和负载下均很显著，例如D95AB5在10 Nm负载时CO₂排放降低了40.9%，D80AB20在各负载下也实现了24.9%至37.9%的减排。这主要归因于生物柴油本身来源于生物质，其碳循环特性以及燃烧效率的改善共同导致了尾气中CO₂的减少。

3.2.4. 排气温度（EGT）

EGT的变化反映了燃烧过程释放的热量情况。结果较为复杂：低比例混合燃料D95AB5在高负载下EGT明显低于柴油（最高降低19.3%），表明其燃烧过程可能更高效，热损失更少；而D90AB10在部分负载下EGT则高于柴油。D80AB20的EGT在不同负载下变化不一，但总体趋势表明通过优化混合比例可以调控燃烧放热过程。

3.2.5. 碳氢化合物（HC）

HC排放主要源于不完全燃烧。研究表明，较低比例的AB混合燃料（D95AB5和D90AB10）在所有负载下都能大幅降低HC排放，降幅约50%-54.6%，这得益于生物柴油的富氧特性促进了更充分的氧化反应。然而，高比例混合燃料D80AB20在中等和高负载下HC排放反而有所增加（最高增加42.9%），这可能与其较高的粘度和密度影响了燃油雾化和混合气形成有关。

3.2.6. 氮氧化物（NO_x）

与大多数生物柴油研究一致，AB混合燃料的使用导致了NO_x排放的增加。这种增加在所有混合比例和负载下均被观察到，其中D80AB20在低负载（2 Nm）时NO_x排放增幅最大，达到68.8%。这主要是由于生物柴油的富氧特性以及可能更高的绝热火焰温度，促进了空气中氮气在高温下的氧化反应（热力型NO_x）。

3.3. 机器学习算法的预测分析

研究人员利用五种机器学习算法对上述发动机参数进行了预测建模，并进行了详细的性能比较。评估指标包括R2、RMSE、MSE、MAE和MAPE。综合来看，XGBoost（XGB）模型在多数参数的预测上表现出色，尤其在预测BSFC（R2 = 0.991）、BTE（R2 = 0.999）和NO_x（R2 = 0.998）方面达到了极高的精度。kNN模型在预测CO₂（R2 = 0.999）和EGT（R2 = 0.998）方面表现最佳。SVM模型在预测HC排放（R2 = 0.970）上有较好表现。而ANN模型在本研究的数据集上预测性能相对其他模型略有不足。随机森林（RF）模型也展现了强大的预测能力，特别是在BTE和NO_x预测上。通过对D80AB20混合燃料在最大负载下的实际值与XGB模型预测值进行验证，发现所有参数的预测误差均很小（例如BSFC误差0.90%，NO_x误差仅0.20%），进一步证实了优秀机器学习模型用于发动机性能和排放预测的可行性和高准确性。

4. 结论与讨论

本研究通过实验和机器学习建模，全面评估了满江红（Azolla pinnata）生物柴油混合燃料在柴油机中的性能与排放特性。主要结论如下：满江红生物柴油作为一种潜在的可持续燃料，其混合燃料能够显著降低CO₂和HC排放，但在目前的无后处理条件下会导致NO_x排放增加。发动机性能方面，BSFC和BTE表现出对负载和混合比例的强烈依赖性，高比例AB混合燃料（D80AB20）在中高负载下展现出优于或接近柴油的热效率。在预测模型方面，比较的五种机器学习算法中，XGBoost（XGB）模型整体表现最为优异和稳健，能够以极高的精度预测多类发动机参数，为生物柴油的快速评估和发动机优化控制提供了强大的数据驱动工具。

该研究的意义在于，它不仅证实了满江红作为生物柴油原料的技术可行性，突出了其在减少碳排放方面的潜力，而且成功展示了先进机器学习技术在复杂发动机系统建模中的巨大价值。这种实验与人工智能相结合的研究范式，可以显著减少传统实验所需的庞大工作量、时间和成本，加速新型生物燃料的研发和应用进程。尽管NO_x排放的挑战仍需通过诸如废气再循环（EGR）、选择性催化还原（SCR）等后处理技术或燃烧优化策略来解决，但本研究为满江红生物柴油的未来发展和智能化应用奠定了坚实的基础。未来的研究工作可围绕燃料改性（如水乳化）、结合更深入的燃烧分析（如缸内压力测量），以及应用更复杂的深度学习模型（如CNN-LSTM）来进一步优化性能、降低排放并提升预测能力，特别是在瞬态工况下的表现。