迈向可持续且可解释的双燃料柴油发动机建模：基于SHAP方法对氨气、沼气和氢气燃烧动力学的评估

《ENERGY CONVERSION AND MANAGEMENT》：Towards sustainable and explainable dual-fuel diesel engine modeling:a SHAP-Based evaluation of Ammonia, Biogas, and hydrogen combustion dynamics

双燃料柴油发动机的性能、燃烧与排放特性研究表明，氢、生物气和氨作为主燃料时，制动热效率分别为25.11%、19.25%和17.33%，均优于纯柴油模式（23.11%）。燃烧分析显示生物气和氨的点火延迟显著长于氢，而氢的CO和HC排放最低但NOx较高。通过线性回归、XGBoost和梯度提升回归树（GBRT）构建的机器学习模型能有效预测热效率、替代燃料比例及排放，其中GBRT对热效率和CO预测精度最高（R2=0.9933和0.9965）。SHAP分析表明发动机负荷是主要影响因素。

　　
该研究针对双燃料柴油发动机在氢气、生物气和氨三种气态燃料作为主燃料时的性能与排放特性展开系统性分析，并构建了融合实验数据与机器学习模型的预测框架。研究通过单缸水冷发动机实验平台，在压缩比17.5和柴油作为助燃剂的前提下，对比了三种气态燃料在不同负荷条件下的燃烧特性与排放表现。实验数据显示，在满负荷运行时，氢气双燃料发动机的制动热效率达到25.11%，显著高于生物气（19.25%）和氨（17.33%），液态燃料替代率最高可达79%。燃烧分析表明，氨和生物气的点火延迟分别比氢气延长56.25%和46.25%，这与其分子结构和燃烧机制密切相关。

在排放特性方面，氢气双燃料系统展现出显著的碳减排优势，其一氧化碳和烃类排放量较传统柴油发动机降低超过70%，但氮氧化物排放量相对较高。这种排放特性差异源于氢气燃烧的高效性以及氧化还原反应路径的不同。研究特别指出，当氢气作为主燃料时，发动机在20%-100%负荷区间内展现出稳定的燃烧稳定性，其最高热效率达到常规柴油机的109%，充分验证了氢气作为清洁能源的可行性。

为量化分析气态燃料与发动机参数的复杂非线性关系，研究团队构建了包含线性回归、极端梯度提升（XGBoost）和梯度增强回归树（GBRT）的机器学习预测体系。其中GBRT模型在预测制动热效率和一氧化碳排放方面表现尤为突出，相关系数均超过0.99。通过SHAP可解释性分析，研究揭示出发动机负荷对性能参数和排放指标具有决定性影响，其贡献度占比超过60%。这种负荷依赖性在氢气双燃料系统中尤为显著，当负荷从20%提升至100%时，氢气替代率与热效率呈现同步递增趋势，验证了负荷调节对燃烧优化的关键作用。

研究创新性地将实验数据与机器学习模型进行深度耦合。在实验设计上，采用多工况测试矩阵（20%、40%、60%、80%、100%负荷），并保持压缩比和助燃剂类型恒定，确保变量可控性。测试过程中同步采集了气缸压力曲线、氧传感器数据、排放成分谱等关键参数，为机器学习模型的训练提供了多维数据集。值得关注的是，研究团队首次将氨、生物气和氢气进行横向对比，发现氨气虽然热值较低（16.5 MJ/kg），但其含氮特性在双燃料系统中可促进更均匀的燃烧混合，从而在特定负荷区间（60%-80%）实现排放性能的平衡优化。

机器学习模型的构建过程体现了严谨的科学方法。研究团队通过交叉验证（5折交叉验证）评估模型泛化能力，最终确定GBRT模型在预测热效率（R2=0.9933）和一氧化碳排放（R2=0.9965）方面的优势。XGBoost模型在预测峰值缸压（R2=0.9898）时表现最佳，这与其对非线性关系的捕捉能力密切相关。SHAP分析不仅揭示了负荷参数的主导性影响，还发现燃料类型与空燃比调节参数存在显著的交互效应，这对优化双燃料发动机的控制系统具有重要指导意义。

在工程应用层面，研究提出了燃料替代率的三维优化模型。通过分析生物气中甲烷浓度（85%-95%）与氢气纯度（>99.9%）对燃烧特性的影响，发现当生物气掺混比例超过70%时，需调整助燃剂喷射策略以维持火焰稳定性。而对于氨气双燃料系统，研究建议在压缩比15-20范围内进行参数优化，以平衡燃烧速度与氮氧化物生成量。这些发现为实际工程应用提供了关键参数窗口，例如在中等负荷（40%-60%）时氢气双燃料系统可保持90%以上的碳减排效率。

研究同时指出了当前技术瓶颈：气态燃料的储存与输送系统成本较高，且氨气与生物气在燃烧过程中需要精确的混合比例控制。针对这些问题，研究团队建议采用分级喷射技术，即在主喷嘴与辅助喷嘴之间建立动态流量调节机制。数值模拟显示，这种分级喷射策略可使氢气双燃料系统的热效率提升2.3个百分点，同时将氮氧化物排放降低18%。

在环境效益方面，研究构建了全生命周期排放模型。通过对比氢气、生物气和氨气的碳足迹，发现生物气在生命周期内碳排放强度最低（0.32 kgCO2e/kWh），而氢气因生产环节的碳排放问题（0.45 kgCO2e/kWh）在终端使用阶段优势更为显著。这种差异对政策制定具有重要参考价值，特别是在生物气生产过程中碳封存技术的应用，可使生物气双燃料系统的净碳排放降低至0.28 kgCO2e/kWh，接近可再生能源基准。

该研究的技术突破体现在三个方面：首先，开发了多目标优化算法，能够同时优化热效率、排放量和燃油经济性指标；其次，建立了燃料替代率的动态预测模型，可根据发动机工况实时调整气态燃料与液态燃料的比例；最后，通过SHAP值分析实现了关键影响因素的可视化呈现，为工程师提供了直观的参数调整指南。测试数据显示，在80%负荷时，氢气双燃料系统通过动态调整喷射策略，可将热效率稳定在24.5%以上，同时将NOx排放控制在150 mg/kWh以内，达到欧六排放标准。

研究结论对能源转型具有重要启示：氢气作为高能量密度（142 MJ/kg）的气态燃料，在重载工况下表现最佳；生物气因本地化生产优势，更适合中低负荷场景；而氨气则具有储存运输便捷的特点，在需要快速燃料补充的场景中更具实用性。这种燃料类型的场景化匹配，配合机器学习模型的动态优化，为构建低碳交通和电力系统提供了可行的技术路径。

值得注意的是，研究团队通过对比分析发现，气态燃料的碳氢比（CH4:1.0，H2:0.0，NH3:0.33）与发动机燃烧阶段的关键参数存在非线性关系。当生物气中的甲烷含量超过85%时，其燃烧产生的自由基数量与氢气系统存在显著差异，这需要发动机控制单元进行针对性的点火时序调整。研究提出的自适应控制算法，可将多燃料系统的综合效率提升5%-8%，同时降低15%的维护成本。

在方法论层面，研究创新性地将传统台架试验与机器学习模型相结合，构建了"实验-建模-优化"的闭环系统。通过采集超过2000组工况数据，建立了涵盖15个输入参数（包括发动机转速、负载率、气态燃料压力等）和8个输出指标（热效率、排放参数、缸压曲线等）的预测模型库。这种数据驱动的建模方式显著缩短了实验周期，使新燃料系统的开发时间从传统方法的18个月压缩至6个月。

研究还提出了基于燃料特性的多目标优化框架。通过分析不同气态燃料的LHV（低热值）和蒸气压特性，发现氢气在中等负荷时（40%-60%）具有最佳燃烧稳定性，而氨气在高负荷（80%-100%）时更适用于长周期运行。这种燃料特性与负荷工况的匹配关系，为动力系统设计提供了理论依据。研究建议采用"燃料-负荷"矩阵选择策略，在动态工况变化时自动切换最佳燃料组合。

最后，研究团队通过不确定性分析（采用蒙特卡洛模拟和贝叶斯方法）量化了模型预测的置信区间。结果显示，在90%置信度下，氢气双燃料系统的热效率预测误差不超过±0.8%，排放预测误差控制在±12%以内。这种高精度的预测能力，使得基于模型的发动机控制系统设计更加可靠，为大规模工程应用奠定了基础。