物理引导的机器学习模型在预测氢富集天然气燃烧过程中的一氧化碳(CO)和氮氧化物(NOx)排放、热输入率以及火焰电离电流方面的比较评估(适用于组合锅炉)

《International Journal of Hydrogen Energy》:Comparative evaluation of physics-guided machine learning models for prediction of CO and NOx emissions, heat input rate and flame ionisation current in hydrogen-enriched natural gas combustion in a combi boiler

【字体: 大 中 小 】 时间:2026年10月23日 来源:International Journal of Hydrogen Energy 9.2

编辑推荐:

  •108次稳态测试涵盖了H2浓度0–15%的范围,六个风扇转速以及λ值1.18–1.43。•使用嵌套的留一交叉验证(LOOCV)方法为所有四个输出变量选择了高斯过程回归模型。•对于一氧化碳(CO)、氮氧化物(NOx)、热输入率和火焰电流,保留集的R2值在0.88–0.999之间。

  •108次稳态测试涵盖了H2浓度0–15%的范围,六个风扇转速以及λ值1.18–1.43。•使用嵌套的留一交叉验证(LOOCV)方法为所有四个输出变量选择了高斯过程回归模型。•对于一氧化碳(CO)、氮氧化物(NOx)、热输入率和火焰电流,保留集的R2值在0.88–0.999之间。•模型和分析器的不确定性(GUM,k=2)解释了72个保留集残差中的71个。•过量空气系数影响NOx的排放,风扇转速影响热输入,而H2浓度的影响相对较小。

引言
气态燃料燃烧系统的脱碳是住宅供暖、工业热过程和分布式能源应用中的一个主要挑战。尽管电气化和可再生氢被越来越多的视为减少碳排放的长期途径,但完全替换现有的天然气基础设施和终端使用设备在技术和经济上仍然具有挑战性。在这种情况下,将氢气混合到天然气中被认为是一种过渡策略,可以利用现有的天然气分配网络、计量系统、燃烧器和供暖设备,同时降低所供应燃料的碳强度[1][2][3]。技术经济评估进一步证实,将氢气混合到天然气体系中对住宅部门具有显著的能源、环境和经济影响[4]。然而,氢气的添加并不是一种简单的体积替代。氢气的体积热值低于天然气,但其扩散系数更高、可燃性范围更广、点火能量更低、层流燃烧速度更快。因此,即使是很低的氢气比例也会改变沃贝指数(Wobbe index)、空气需求、火焰速度和污染物生成途径,从而对火焰稳定性和设备控制产生可测量的影响[1][2][3][5][6]。
因此,必须不仅从管道或燃料供应层面,还要从终端使用燃烧系统层面来评估氢气混合的影响。技术和法规审查表明,气网络中可接受的氢气比例取决于传输材料、分配组件、计量系统、压缩机、安全裕度和下游设备的综合性能[1][2]。从设备角度来看,通常通过 gas-family(气体家族)、测试气体和测试压力框架(如EN 437)来评估气体燃料的兼容性,而燃气供暖锅炉则根据EN 15502系列进行评估[7][8]。由于住宅用燃烧器和锅炉通常是针对传统天然气设计的,氢气的添加可能会通过改变燃料能量密度、混合比例、火焰稳定性和热输入来改变其工作点。因此,氢气比例、过量空气系数和燃烧空气供应之间的相互作用决定了富含氢气的燃烧器的保护和有效性。

实验和数值研究已经表征了在各种规模和配置下的富氢甲烷和天然气燃烧特性。机理和动力学研究探讨了氢气添加对NOx生成途径[5]、锅炉规模配置下的污染物排放[6]以及家用冷凝设备中的传热和排放行为[9]的影响。这些发现已被扩展到工业和现场规模的应用中,在这些应用中,氢气添加会以依赖于负载和几何形状的方式改变燃烧稳定性和污染物生成[10][11]。氢气添加也在旋转发动机中进行了研究,其中燃烧室尺寸、凹槽位置和直接喷射配置会影响燃烧行为和热均匀性[12][13]。这些研究表明,氢气添加通过化学、热力和流体动力学机制共同调节燃烧过程,从一个燃烧器几何形状或工作范围得出的结论不能直接推广到另一个燃烧器。
在住宅规模上,富氢燃烧具有直接的工程意义,因为这类燃烧器和锅炉是为传统天然气设计的,但它们代表了天然气网络中氢气混合政策与终端使用设备之间的主要接口。Sorgulu等人[14]通过实验评估了氢气-天然气混合物,并表明氢气添加会影响燃烧性能和排放。Ozturk等人[15]进一步证明,在将氢气与天然气混合时,燃烧器头部的几何形状会对住宅用燃气灶具的性能产生可测量的影响。在一项补充的环境评估中,Ozturk等人[16]研究了家用燃气灶具中的天然气-氢气混合物,并报告了CO、CO2和NOx排放的变化。Chen等人[17]研究了家用燃烧器中20%氢气掺杂的天然气燃烧情况,并报告在测试条件下燃料成本和排放量的减少。Ya?ci等人[18]分析了富氢天然气和纯氢气的运行情况,强调了氢气添加对燃烧特性、不完全燃烧和过量空气管理的影响。最近,Ers?z和Yolcan[19]在一种兼容家用天然气的锅炉中实验研究了富氢天然气的燃烧,并报告了火焰特性、烟气温度和CO/NOx排放的变化。Zhou和Irons[20]还表征了在不同操作条件下富氢燃烧的稳定性、排放性和声学响应。Jankowski等人[21]评估了家用冷凝锅炉中富氢天然气的热性能和排放性能,证实NOx和CO的变化趋势强烈依赖于混合比例和热负荷。这些研究表明,在低或中等混合比例下,富氢燃烧在住宅领域是可行的,但排放趋势很大程度上取决于燃烧器设计、热负荷、空气供应和测量范围。

在富氢燃烧中,CO和NOx的行为解释并不简单。CO主要与不完全氧化、混合不足、熄火、停留时间短或局部富集区域有关。氢气添加可以通过加速氧化反应和改善贫燃火焰传播来减少CO,但它也可以通过改变火焰位置、传热和局部空气动力学来产生特定于几何形状的趋势[14][15][16][17][18][19]。NOx的生成更为复杂。氢气可能会提高火焰温度和自由基的可用性,从而促进热NOx的生成,但同时体积燃料流速、停留时间、水蒸气浓度、稀释度和过量空气系数的变化可能会抑制或重新分配NOx的生成[5][6][9][22]。例如,Wang等人[22]指出,在带有外部烟气再循环和废热回收的锅炉中,富氢天然气的燃烧涉及热力学和排放的耦合响应。这些发现共同表明,一个稳健的预测模型不应将氢气比例视为一个独立的解释变量。相反,必须明确表示氢气比例、过量空气系数和风扇驱动的空气供应的综合效应。

与实验和数值燃烧研究并行,数据驱动的建模在排放预测、燃烧器优化和燃烧监控方面变得越来越重要。机器学习模型可以在不解决每个操作条件的详细CFD(计算流体动力学)或化学动力学问题的情况下近似非线性输入输出关系。Ross-Veitía等人[23]应用回归算法预测蒸汽锅炉中的CO、CO2、NOx和排气温度,展示了机器学习在锅炉排放监控方面的潜力。数据驱动的污染物预测也已扩展到具有时间依赖性或操作条件依赖性的小型加热单元和燃烧系统[24]。神经网络替代模型已被用于在不同燃烧器几何形状下的NOx预测[25],而高斯过程回归因其能够同时提供预测和不确定性信息而被应用于发动机和燃烧相关领域[26][27],同时结合智能优化算法的机器学习替代模型已被用于氢-丁醇旋转发动机的多目标优化[28]。这些特性使得数据驱动的替代模型特别适用于小型实验数据集,在这些数据集中,系统地测试所有操作组合是不切实际的。

然而,当前文献中仍存在三个限制。首先,许多关于富氢天然气的研究仅报告了直接的实验趋势或数值模拟,但较少有研究提供了能够独立预测每个目标燃烧输出的紧凑替代模型,以便于燃烧器校准。其次,现有的关于锅炉或燃烧排放的机器学习研究通常关注传统燃料、工业系统或大型操作数据集,而住宅规模燃烧器中的低比例H2-G20混合物燃烧较少被探索。第三,传统的误差指标(如R2、RMSE、MAE和MAPE)没有明确考虑气体分析器的不确定性。这对于低浓度CO和NOx的测量尤其成问题,在这种情况下,制造商规定的测量不确定性可能与测量值相当或更大。在这样的条件下,小的绝对误差可能会导致较大的百分比误差,从而使传统的MAPE在物理上产生误导。

本研究通过开发一个具有物理指导的特征工程和仪器不确定性意识的机器学习框架来解决这些差距,用于低比例富氢天然气的燃烧。测量解释遵循ISO/IEC Guide 98-3中的不确定性评估原则[29],热输入计算遵循ISO 6976中规定的气体性质标准[30]。实验数据集包括在三种氢气混合水平、六个风扇转速和过量空气系数范围(1.18至1.43)下进行的108次实验室燃烧测试。四个目标变量是一氧化碳浓度、氮氧化物浓度、燃料热输入率和火焰电离电流。三个物理输入变量,即氢气比例、过量空气系数(λ)和风扇转速,定义了操作条件;故意排除了天然气比例,以防止完全的多重共线性。从这些输入变量中构建了十三个特征,结合了二次项、交叉积和对数项来表示实验范围内的燃烧输出的非线性响应。其中两个特征明确基于物理原理,即1/(λ?1),该特征通过λ接近1时的双曲依赖性编码了化学计量接近性,以及Fan·[1/(λ?1)],该特征将风扇驱动的气流大小与接近化学计量的敏感性联系起来,这两点都是由于已知在操作条件接近化学计量时CO和NOx的急剧增加而提出的。在拟合之前,CO和NOx目标值进行了对数转换,这与该测量范围内燃烧排放的大致对数正态分布一致。结构化的数据集被分为90个样本的训练部分和18个样本的分层保留部分,每个H2-风扇转速组保留一个实验,以确保最终测试集涵盖所有燃料-空气供应组合和不同的λ水平。

本研究比较了七种回归算法,即线性回归、支持向量回归、高斯过程回归、随机森林、梯度提升、XGBoost[31]和LightGBM[32]。超参数在嵌套交叉验证中进行了优化,对于高斯过程回归之外的算法,使用了Optuna的Tree-structured Parzen Estimator[33]进行优化,并提供了原始的后验标准差。评估框架结合了传统的预测指标和考虑仪器不确定性的措施,包括不确定性加权的MAPE、不确定性范围内的覆盖度以及总不确定性标准,该标准定义为GPR后验不确定性和气体分析器不确定性的积分和。通过分组排列三个主要变量的重要性来识别控制每个燃烧输出的变量,并将GPR后验不确定性与分析器不确定性结合起来,提供可与气体分析器测量结果一起解释的不确定性区间。

本研究对富氢住宅燃烧的替代建模做出了三项贡献。首先,它在嵌套交叉验证下提供了七种模型的基准测试,同时预测了使用低比例H2-G20混合物运行的住宅组合锅炉的CO、NOx、热输入率和火焰电离电流,并在分层保留部分和完整操作水平上进行了分组交叉验证。其次,它将气体分析器的测量不确定性纳入了验证过程中,采用了一些覆盖标准,以防止在低排放浓度时对百分比误差的过度解读。第三,它根据ISO/IEC Guide 98-3分离了GPR替代模型的测量不确定性、模型不确定性和预测不确定性,并将它们结合起来,这些不确定性是可以解释的。结果适用于测试的锅炉、燃料和操作范围,将其推广到其他设备需要独立的实验验证。

实验设置和数据集
所有实验都在一个按照EN 15502系列标准建造和操作的住宅用组合锅炉上进行[8]。所有测试仪器均在校准机构进行了校准,这些机构符合EN ISO/IEC 17025:2017[34]的标准。实验装置的结构如图1所示。测试单元包括一个变速燃烧空气风扇、一个不锈钢预混燃烧元件和一个主要热...

数据集结构和保留部分
实验数据集包括108次稳态燃烧测试,使用住宅用组合锅炉在三种氢气混合水平(H2=0、10和15%体积百分比)、六个风扇转速(1500、2500、3500、4500、5500和6500转/分钟)以及相应的过量空气系数条件(λ≈1.18-1.43)下进行。每个操作点由这三个控制变量的唯一组合定义。所有测量值在模型拟合前均四舍五入到小数点后两位,以消除亚分辨率的影响。

### 测量的燃烧趋势
在引入替代模型之前,直接从108个数据点集中描述了设备的测量响应,从而独立于任何拟合模型来确定模型需要再现的行为。图2显示了三种测试燃料的四个输出指标作为过量空气比的函数,每个风扇速度设定点对应一条曲线。对于每种燃料,NOx随风量的增加而单调且急剧降低(Spearman秩相关系数[50],ρ = ?0.97, ?0.96)。

## 结论
本研究开发并验证了基于物理规律的机器学习替代模型,用于预测使用G20燃料以及富含10%和15% H2的G20燃料运行的家用组合锅炉的CO和NOx排放量、热输入率以及火焰电离电流。108个稳态测试点涵盖了过量空气比范围为1.18–1.43,风扇速度范围为1500–6500 rpm。比较了七种回归算法,并在90个训练数据点上使用了嵌套留一法交叉验证方法进行评估。

### 利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号