基于人工神经网络(ANN)与响应面法(RSM)人工智能与统计优化的橡胶籽油甲酯(ROME)生产及压燃式发动机性能研究用于生物柴油应用

《Energy Conversion and Management-X》：Artificial Intelligent and Statistical Optimization of ROME Production and Engine Performance Using ANN and RSM for Biodiesel Applications

　　

摘要：本研究探讨了橡胶籽油甲酯（Rubber Seed Oil Methyl Ester, ROME）作为可持续生物柴油替代品在内燃（Internal Combustion, IC）机中的生产、优化及发动机性能。研究人员采用酸催化酯化—碱催化转酯化两步法将粗橡胶籽油（Rubber Seed Oil, RSO）中约24%的游离脂肪酸（Free Fatty Acid, FFA）含量降至2%以下，以实现高效生物柴油合成，并应用超声辅助手段提高产率。发动机试验表明，纯ROME（B100）较柴油扭矩与制动功率约降低5%，比油耗（Specific Fuel Consumption, SFC）约升高10%；发动机性能分析显示ROME运行导致制动功率与扭矩降低4–6%，SFC增加8–12%，主要归因于其较低热值。但在优化工况下制动热效率（Brake Thermal Efficiency, BTE）提升约5%，源于燃料自身含氧特性促进燃烧效率。排放分析表明一氧化碳（Carbon Monoxide, CO）排放降低15–20%。能量与?（Exergy）分析揭示发动机最大效率出现在约80%负荷。预测建模中人工神经网络（Artificial Neural Network, ANN）决定系数R2＝0.974，优于响应面法（Response Surface Methodology, RSM）。优化得到最佳工况为压缩比（Compression Ratio, CR）18.849、掺烧比11.784%及增压压力（Supercharged Pressure, SC）1.847 bar，同时最大化发动机效率并最小化排放。本工作科学创新性在于联合应用ANN、RSM及?分析对ROME进行优化，为下一代生物柴油开发提供稳健框架。研究结果表明ROME是具有环境与能源可持续性效益的有前景可再生燃料候选者。

论文解读：《Artificial Intelligent and Statistical Optimization of ROME Production and Engine Performance Using ANN and RSM for Biodiesel Applications》发表于《Energy Conversion and Management-X》

一、研究背景与意义

化石能源枯竭与温室气体减排需求推动了可再生生物柴油的研究。非食用油料如橡胶籽油（Rubber Seed Oil, RSO）可规避"粮油争地"争议，但RSO游离脂肪酸（Free Fatty Acid, FFA）高达约24%，需经两步酯化—转酯化预处理方可制得以脂肪酸甲酯形式存在的橡胶籽油甲酯（Rubber Seed Oil Methyl Ester, ROME）。现有文献多单独关注ROME制备或单独应用ANN/RSM于其他生物柴油，缺乏将ROME生产、压燃式（Compression Ignition, CI）发动机性能、ANN与RSM建模及能量—?（Exergy，即可用能）分析整合于同一框架的研究。为此，研究人员开展本项综合研究，旨在借助统计优化与机器学习模型，结合热力学第一定律能量分析与第二定律?分析，确定ROME在CI发动机上的最优运行参数，量化燃烧不可逆损失，为ROME工程化应用提供理论依据与优化方案。

二、主要关键技术方法

研究人员以印度泰米尔纳德邦橡胶加工厂副产物RSO为原料，先经酸催化酯化（甲醇＋H₂SO₄，60℃，12 h沉降）再经碱催化转酯化（KOH＋甲醇，60℃，4 h）制备ROME，FFA由～24%降至＜2%。在一台四冲程单缸水冷可变压缩比（Variable Compression Ratio, VCR）直喷CI发动机（额定3～3.5 kW，1500 rpm）上分别燃用柴油（B0）、B20、B40及全负荷扫描，调节压缩比（CR 18–22）、掺烧比（0–40% ROME）与增压压力（SC 1–2 bar）。采用Design of Experiments（DoE）中心复合设计（Central Composite Design, CCD）安排实验，采集制动功率、SFC、BTE、缸压、排气温度及CO/HC/NO_x。能量分析计算冷却水/废气/未计热损失及轴功占比；?分析取死态T₀＝298.15 K、P₀＝101.325 kPa，计算物理?、化学?、熵产（Entropy Generation, S_gen）与?毁（Exergy Destruction, E_x,d）、第二定律效率（Second-Law Efficiency, η_II）。响应面法（Response Surface Methodology, RSM）拟合二次回归模型并经ANOVA检验；人工神经网络（Artificial Neural Network, ANN）建3输入（SC、掺烧比、CR）—双隐层（10与5神经元）—13输出（能量分配、?参数、S_gen、排放）的多输出回归模型，Levenberg-Marquardt算法训练，70%训练/15%验证/15%测试，Min-Max归一化，以MSE/RMSE/MAE与相关系数R评估精度。最终以多目标寻优（极大化%Qs、η_II、%As；极小化%Qc、%Qe、%Qu、S_gen、%Aw、%Ae、%Ad、CO、HC、NO_x）获取最佳工况并开展实验验证。

三、研究结果

1. 2.
   Experimental setup
   实验所用VCR DI CI发动机技术规格明确：额定功率约3.0–3.5 kW，恒定转速1500 rpm，喷油提前角23° BTDC，CR可调范围5:1至22:1，涡流测功器加载。仪器经校准，不确定度分析总误差约±4.06%。确认ROME理化性质符合ASTM D6751与IS 1448/DIN EN 14214标准：密度B100≈0.89 kg/m³，40℃运动粘度≈3.42 mm²/s，闪点＞210℃，低热值≈36,986 kJ/kg，十六烷指数≈39。

2.1. Research fuel

粗RSO经酸酯化（200 mL甲醇＋6 mL H₂SO₄，60℃，12 h）除FFA后碱转酯化得ROME，FFA转化率91.67%，工艺重复性偏差5%。脂肪酸组成为棕榈酸C16:0（10.2%）、硬脂酸C18:0（8.7%）、油酸C18:1（24.6%）、亚油酸C18:2（39.6%）、亚麻酸C18:3（16.3%）。

2.2. Experimental procedure

以柴油为基准，测试B0/B20/B40在不同CR与SC下性能与排放，典型工况CR设18:1或19:1，BMEP 0.46 MPa。确认ROME因较高粘度与较低热值致BTE略降、SFC上升，但含氧促完全燃烧。

2.3. Response surface and ANN methodology

RSM通过CCD实验建立输入变量与响应的二次多项式关系；ANN以三层感知机构建非线性映射，适合多输入多输出发动机复杂行为预测。

2.4. ANN modelling

ANN整体决定系数R≈0.974（训练/验证/测试集均接近1），MSE低至10^?6～0.799（NO_x项偏大），RMSE 0.00011–0.89405，MAE 0.00010–0.76795。各响应预测值与实测值吻合良好，证明网络可高精度模拟发动机能量、?及排放特性。

3.1. Optimization

RSM模型ANOVA显示SC、掺烧比、CR主效应及交互项p＜0.05具显著性。各响应R²＞0.98（除%Aw外），Adj-R²与Adeq Precision满足预测要求。多目标优化得最高期望度（Desirability）0.659，对应最优操作点：SC＝1.847 bar，ROME掺烧比＝11.784%，CR＝18.849。验证实验显示预测与实测误差：%Qs 1.27%、η_II1.47%、S_gen1.84%、CO 2.55%（预测0.196→实测0.191 vol%）、HC 7.39%、NO_x1.11%。较柴油CO降幅达15–20%，HC呈下降趋势，NO_x微升与缸内高温及富氧有关。?分析表明优化工况?毁（%Ad、%Ae）预测偏差＜2.5%，证实模型可靠性。

四、结论（翻译总结）

本研究证实两步酯化—转酯化可有效将RSO中FFA降至＜2%制备合格ROME。发动机试验显示ROME使扭矩与制动功率略降，但因含氧特性使BTE在优化工况提升约5%，CO与CO₂显著下降，具环境效益。创新性体现在首次将ANN、RSM与能量—?分析集成应用于ROME生产—发动机系统，ANN（R²＝0.974）预测精度优于RSM。统计优化给出具体最优参数：CR 18.849、ROME掺烧比11.784%、SC 1.847 bar，可同时实现效率最大化与排放/?毁最小化，为ROME及其他非食用生物柴油在CI发动机中的可持续利用提供热力学指导与优化范式。