基于机器学习的多目标优化：以富氢水葫芦生物柴油与三乙二醇单甲醚为燃料的压燃发动机结合选择性催化还原技术

《Energy》：Machine Learning-Based Multi-Objective Optimization of Hydrogen-Enriched Water Hyacinth Biodiesel–Tri ethylene Glycol Monomethyl Ether Fuelled Compression Ignition Engine with Selective Catalytic Reduction

　　Shresht Kakran|Rajneesh Kaushal|Vijay Kumar Bajpai印度库鲁克舍特拉国立技术学院机械工程系摘要：以传统柴油为燃料的压燃式发动机会大量产生温室气体和氮氧化物，因此需要开发更清洁、更可持续的燃料策略。本研究探讨了一种混合燃料策略，该策略结合了水葫芦生物柴油、三乙二醇单甲醚以及氢气强化技术，并采用基于尿素的选择性催化还原技术来控制氮氧化物。实验在单缸发动机上进行，转速为1500转/分钟，压缩比分别为12、15和18，制动功率分别为0.7、2.1和3.5千瓦，在稳态条件下重复试验三次。这项研究的创新之处在于将废弃物衍生的生物柴油、含氧添加剂、氢气强化技术以及SCR技术与基于人工神经网络的预测和多目标优化方法整合在一个框架中。添加氢气与TGMEA后，点火延迟时间缩短至7.5°CA，且在压缩比为18时，气缸内压力峰值上升至75巴。制动热效率达到了31.28%，比仅使用生物柴油时高出8.2%，而燃料和能源消耗则分别降至0.31千克/千瓦时和12.8兆焦/千瓦时。氮氧化物浓度上升至628 ppm，但通过SCR系统可将其降至402 ppm。一氧化碳和二氧化碳浓度则分别降至81 ppm和2.14%。基于贝叶斯正则化的前馈人工神经网络在性能和排放指标方面的R2值均接近0.99。将人工神经网络与多目标遗传算法相结合后，确定压缩比15和功率3.1千瓦为最佳运行参数，此时燃烧耗油率为0.3838千克/千瓦时，制动热效率为25.46%，二氧化碳排放率为2.418%，一氧化碳排放率为100.7 ppm，氮氧化物排放率为301.9 ppm，实现了效率与排放之间的良好平衡，有助于实现可持续的压燃式发动机运行。

引言由于化石燃料具有不可再生性，其储量逐渐减少，这促使许多研究人员寻找替代燃料。其中一个重要原因是化石燃料燃烧会释放二氧化碳、氮氧化物和硫氧化物等气体。如果要将全球变暖控制在1.5°C以内，到2030年人类活动导致的二氧化碳排放量必须比2010年的水平降低约45%[1]。根据国际能源署的数据，尽管近年来太阳能和风能的需求不断上升，但目前它们仍只占全球一次能源消费总量的大约8%（Saini, Muniyappa和Yadav，2025年）[3][4]。研究人员正在努力消除导致大气碳排放的各种气体，以实现到2050年完全无排放的目标。要实现零排放，就需要进行大规模的“快速且全面”的结构性变革[5]。在交通领域使用氢气可以显著减少排放。未来，来自可再生能源的氢气对环境的危害更小，有望推动交通运输业的发展[7][8]。在至少接下来的20年里，内燃机仍将在私人及公共交通领域继续发挥作用。在各种替代燃料中，以氢气为燃料的内燃机因其机械耐用性以及改造传统汽油发动机以适应氢气使用所需的相对较小的工程改动而备受关注[3][9][10][11][12]，尽管其使用氢气作为燃料时的热效率较低[13]。图1展示了截至2070年不同领域中氢气的应用情况。Nag等人[14]研究了以氢气与柴油混合物为燃料的压燃式发动机的燃烧、振动及性能表现。该研究揭示了在恒定压缩比下，尤其是负荷较轻时，燃油喷射对气缸压力的影响。不过，当发动机以氢气作为燃料时，其振动和噪音都会减弱。当压燃式发动机以1500转/分钟的速度运转且采用直接喷射方式注入氢气时，随着负荷和压缩比的增加，制动热效率会出现显著变化。当在氢气使用过程中加入废气再循环装置时，氮氧化物排放量会有所降低[15]。Singh等人[16]的研究表明，氢气发动机虽然氮氧化物排放量有所增加，但其性能更好，排放也更低。V. Chintala等人研究了氢气在内燃机中的应用，发现在指定容量下，最多只能使用6%到25%的氢气，而且与柴油相比，双燃料模式下由于气缸内压力增加，氮氧化物排放量会增加29%到58%[17]。Akcay等人[18]证明，氢气强化技术能够显著提升预混燃烧效果，从而提高压燃式发动机的气缸内压力和热效率，尤其是在高负荷情况下。Bai等人[19]指出，尽管氢气强化技术能显著提升压燃式发动机的燃烧效率并减少碳基排放，但它也会导致热态氮氧化物生成增加，尤其是在高负荷和高压缩比条件下。Mehra等人[20]的研究表明，与天然气相比，添加氢气的压缩天然气更能提升发动机性能，但仍存在氮氧化物排放问题，可通过控制燃烧室的稀薄燃烧状态来加以控制。Khandal等人尝试在以氢气为燃料的柴油发动机中使用棉籽生物柴油混合物，根据实验结果，无爆震状态下可行的最高氢气燃料流量为0.22千克/小时，最有效的燃油喷射压力为240巴，最佳燃油喷射时刻为上止点前27个曲轴转角，此时的实验效果最好[21]。Lata等人发现，当在非常低的负荷下将氢气在发动机能量供应中的占比提高到9%时，一台功率为62.5千瓦、转速为1500转/分钟的柴油发动机的效率下降了2.2%[22]。有研究认为氢气能够提升制动热效率。Chichan的研究表明，制动热效率可提升至额定值的75%到100%[23]。Unni等人研究了一台排量为396立方厘米、配备化油器的单缸发动机，发现使用氢气或汽油时，制动热效率都会提升，但氮氧化物排放量也会增加[24]。Yan等人研究指出，基于氨气的直接压缩点火发动机在压缩比为22:1时容易出现失火现象，这就限制了该类型发动机在1500转/分钟转速下的工作范围，这类发动机更适合用于非道路应用[25]。Chintala等人[26]在100%负荷、1500转/分钟转速下，测试了压缩比分别为19.5:1、16.5:1和15.4:1的压燃式发动机，结果显示，当压缩比为16.5时，发动机的性能达到最佳。Antunes等人发表的研究表明，直接喷射氢气可以提高发动机的功率重量比，此外，氢气在发动机中的燃烧效率为43%，而柴油为28%，氢气驱动的发动机产生的峰值功率比柴油发动机高出近14%[27]。Zhou等人进行的实验表明，添加氢气可使燃料的能量含量分别提升10%、20%、30%和40%，在中等至高负荷条件下，发动机的性能可以得到提升[28]。当添加氢气后，发动机在低至中等负荷下的制动热效率会有所下降，但在高负荷条件下，氢气添加带来的优势却能体现出来。在全油门且氢气能量占比为30%时，记录到了最高的制动热效率[29]。最近，Kakran等人[30]研究了一种采用氢气强化的水葫芦生物柴油为燃料的压燃式直接喷射发动机，该发动机还配备了15%的废气再循环装置和尿素选择性催化还原系统。研究显示，与仅使用氢气强化的生物柴油模式相比，该发动机的最大制动热效率可达38.55%，燃烧耗油率最低可降至0.23千克/千瓦时，同时氮氧化物排放量减少了21.1%，二氧化碳排放量减少了13.4%，一氧化碳排放量减少了12.5%。基于响应面建模的优化方法找到了最佳运行条件，其理想度为0.815。不过，该研究仅限于固定压缩比，没有探讨基于人工神经网络的预测方法或多目标遗传算法优化方法。Gao等人[31]使用氢气作为燃料，对压缩比分别为8.90、9.66和10.55的压燃式发动机进行了模拟研究，发现当压缩比增大时，发动机的效率可提升34%到39%，但氮氧化物排放量也会与柴油发动机相比呈线性增加，这是一个缺点。Dimitriou等人[32]指出，在最佳工况下，向压燃式发动机供应氢气可大幅降低二氧化碳、一氧化碳、一氧化碳和烟雾的排放量，降幅可超过50%。在另一项相关研究中，Rahman和Aziz研究了在柴油发动机中同时使用水葫芦生物柴油和羟基气体。他们发现，40%水葫芦生物柴油与60%柴油的混合物在添加羟基气体后，不仅能显著提升发动机效率，还能减少污染物排放[33]。此外，Jain等人的研究证明，将水葫芦生物柴油的喷射时机提前20°上止点，可实现最高的制动热效率、最低的排放水平，并最大程度减少柴油发动机运行过程中的能量损耗[34]。Sonthalia等人[35]研究了一种氢气与Honge油的双燃料发动机，发现该发动机的制动熵生成率可降至12.2兆焦/千瓦时，同时一氧化碳、二氧化碳和烟雾的排放量分别从30 ppm降至19 ppm，从0.8%降至0.48%，从59%降至47%。机器学习模型在预测方面误差较小，其中GPR模型在预测氮氧化物排放量时的平均绝对百分比误差仅为0.22。不过，该研究没有探讨基于SCR系统的排放控制方法。人工神经网络已被广泛用于模拟压燃式发动机的非线性行为，尤其可用于预测不同运行条件下的发动机性能和排放特性。近期的一些研究表明，人工神经网络模型的预测精度很高，相关系数可超过0.99，因此可作为一种可靠的替代传统回归分析的方法。Geo等人[36]研究了在压燃式直接喷射发动机中同时使用柠檬皮油、樟脑油、氢气注入技术以及基于沸石的尾气处理系统，这种综合策略可使二氧化碳排放量减少39.7%，烟雾排放量减少49%，氮氧化物排放量减少23%，不过该研究并未考虑基于人工神经网络的预测和优化方法。Gad等人[37]构建了一个基于人工神经网络的理论框架，用于预测使用生物柴油为燃料的柴油发动机的性能和排放情况，实验结果与预测结果高度吻合。Khanyi等人[38]也指出，人工神经网络模型能够准确反映多种发动机参数，包括负荷和燃料成分，对燃烧耗油率、制动热效率等性能指标以及排放特性的影响。Hoang等人[39]采用D最优响应面建模方法对一种氢气与B20马胡阿生物柴油的双燃料发动机进行了优化，预测得到的制动热效率为27.64%，实验验证后的实际值为28.25%，误差为2.16%。经过优化的发动机在一氧化碳、二氧化碳和氮氧化物排放方面的验证误差均低于5%，这体现了统计优化技术在氢气辅助的压燃式发动机应用中的可靠性。不过，该研究也没有涉及基于人工神经网络的预测和多目标优化方法。Paramasivam等人[40]结合响应面建模、XGBoost算法和SHAP分析方法，对一种生物气与生物柴油的双燃料发动机进行了优化，研究发现，当压缩比为18.3、制动功率为3.3千瓦时，该发动机的运行效果最佳，此时制动热效率为24.35%，气缸内压力峰值可达54.97巴，XGBoost模型对应的R2值可高达0.9960，平均绝对百分比误差则在1.47%到4.89%之间；不过该研究并未考虑氢气强化技术、SCR尾气处理系统以及基于人工神经网络与多目标遗传算法的优化方法。Josephin等人[41]开发了一种前馈反向传播型人工神经网络模型，用于预测双燃料压燃式发动机的制动热效率、制动熵生成率、氮氧化物、一氧化碳、二氧化碳和烟雾排放量。该研究证明了人工神经网络能够准确预测发动机的性能和排放特性，不过该研究也没有涉及氢气强化技术、SCR尾气处理系统以及多目标优化方法。除了在生物柴油领域的应用外，人工神经网络建模技术还被应用于更复杂的燃料系统和先进的能源体系。Odufuwa等人[42]强调了包括人工神经网络在内的人工智能技术在提高替代燃料发动机预测精度方面的作用，并指出这些技术非常适合用于多变量优化问题。此外，Tuan Hoang等人[43]的研究表明，向柴油发动机中添加氢气会显著影响发动机的燃烧特性，虽然能提升效率，但也会增加氮氧化物排放，从而使发动机的工作行为出现较强的非线性特征。Paramasivam等人[44]则将机器学习技术与响应面建模相结合，对一种生物气与藻类生物柴油的双燃料发动机进行了优化，研究发现，当压缩比为18.5、发动机负荷为82.71%时，该发动机的最佳制动热效率为16.98%。在所评估的模型中，XGBoost在BTE预测方面的准确率最高，R2值为0.9944，MAPE为1.63%；不过，研究中并未考虑氢气富集、SCR后处理以及基于ANN的多目标优化方法。Alnamasi等人[45]为氢气-藻类生物柴油双燃料发动机开发了机器学习模型，结果显示XGBoost在制动热效率预测方面的R2值为0.9958，均方误差为0.08，SHAP分析表明发动机负荷是影响NOx排放的最重要参数；尽管采用了先进的机器学习技术，但仍未考虑SCR后处理和基于ANN的多目标优化方法。这些复杂性要求采用如ANN之类的强大建模方法，以便在不同运行条件下准确预测发动机性能。近年来，将ANN与优化技术相结合也受到了广泛关注。基于神经网络的建模和控制系统的最新进展进一步拓展了ANN在实时发动机优化和排放预测中的应用[46]。这些研究凸显了ANN不仅可作为预测工具，还可作为先进优化框架的组成部分。现有关于氢气辅助压燃式发动机的研究表明，氢气富集能提升燃烧效率并减少碳基排放；但由于气缸内温度升高，这一做法往往会增加NOx排放。同样，针对生物柴油燃料（包括水葫芦生物柴油）的研究也证实了它们作为可持续替代燃料的潜力，但这些研究大多仅限于独立应用，未与先进的燃烧增强策略相结合。含氧化学添加剂如TGMEA虽能改善燃烧特性并降低排放，但其应用主要局限于传统柴油或天然气系统。与此同时，基于尿素的选择性催化还原（SCR）已被证明能有效降低NOx排放，但在添加了各种添加剂的氢气富集生物柴油发动机中的应用尚未得到系统研究。从建模角度来看，机器学习技术，尤其是人工神经网络（ANN），在预测发动机性能和排放方面表现出高精度。然而，大多数研究仅侧重于预测功能，较少将ANN整合到多目标优化框架中，以同时进行性能与排放的权衡分析。为更全面地评估以往研究，本文新增了一个对比文献综述表（表1），总结了与氢气富集、生物柴油发动机、含氧化学添加剂、人工神经网络建模、优化方法以及选择性催化还原技术相关的代表性研究的燃料和发动机配置、研究方法、主要发现及局限性。对比分析表明，以往研究大多分别探讨了氢气富集、生物柴油应用、ANN预测、优化或排气后处理等单个方面，关于这些参数在统一的实验、预测和优化框架下的相互作用机制，相关研究资料十分有限。正是这些已识别的研究空白促使开展了本研究。因此，目前存在一个重要的研究缺口，即缺乏一种能够整合以下要素的综合方法：（i）废弃物衍生的生物柴油，（ii）含氧化学添加剂，（iii）氢气富集，（iv）燃烧后的排放控制，以及（v）基于机器学习的预测建模与优化。本研究通过构建一个涵盖实验、机器学习与优化的综合框架来填补这一空白。其创新之处在于首次在单一压燃式发动机平台上系统地整合了20%体积比的水葫芦生物柴油、10%体积比的TGMEA添加剂、35%能量份额的氢气富集以及基于尿素的SCR技术。本研究还独特地评估了这些参数在不同压缩比和制动功率条件下的综合效应及其相互依赖关系，而此类研究在以往文献中尚未见报道。此外，本研究还通过引入基于机器学习的ANN模型来精确预测发动机性能和排放，并进一步将其与多目标遗传算法相结合，以确定最优运行条件。这种集成方法能够同时提升效率并控制排放，从而克服了单独开展实验或建模研究的局限性。研究创新点与贡献：•首次在单一压燃式发动机平台上系统整合水葫芦生物柴油、TGMEA添加剂、氢气富集以及选择性催化还原技术。•在不同压缩比和制动功率条件下，实验分析了这些参数的综合作用及其相互依赖关系。•利用实验数据集构建人工神经网络（ANN）模型，实现性能与排放特性的同步预测。•将ANN模型与多目标遗传算法（MOGA）结合，寻找能够同时优化多项性能与排放目标的最佳运行条件。MOGA是一种进化优化技术，通过迭代选择、交叉和变异操作生成一组帕累托最优解，有助于在相互竞争的目标之间找到平衡点。•建立了统一的实验-机器学习-优化框架，弥补了以往研究中的不足。基于该框架，本研究的具体目标如下：•在不同压缩比和制动功率条件下，实验评估以生物柴油-TGMEA-氢气混合物为燃料的压燃式发动机的燃烧、性能及排放特性。•量化氢气富集条件下尿素基SCR在降低NOx排放方面的有效性。•构建并验证用于精确预测性能与排放参数的机器学习（ANN）模型。•利用ANN-MOGA进行多目标优化，确定能在效率与排放之间取得平衡的最佳运行条件。•建立一种可持续且可扩展的多燃料策略，以实现更清洁的压燃式发动机运行。实验装置与方法实验装置方面，一台单缸四冲程水冷式压燃式发动机被安装在一台发动机试验台上，并通过机械连接的方式与涡流式动力计相连，用于施加负载并进行测量。该发动机试验台配备了多种传感器，可用于监测曲轴角度、温度、曲轴转速、气缸压力、燃油压力以及水流情况。图2展示了实验装置的示意图。手动操作的指示器和仪表则用于……结果与讨论针对水葫芦生物柴油、含有10% TGMEA的水葫芦生物柴油、氢气富集运行（能量占比35%），以及结合尿素-SCR技术的方案，在12、15、18三种不同的压缩比下，以及0.7、2.1、3.5千瓦三种不同的制动功率条件下，系统地分析了压燃式发动机的燃烧、性能及排放特性。研究将实验观测数据与基于机器学习的预测结果以及多目标优化结果进行了整合……ANN模型与图表通过回归分析、奇偶图以及测试数据集中预测值与实验值的对比，评估了所构建ANN模型的预测能力。结果表明，ANN模型能够有效捕捉发动机运行参数、燃油成分与输出响应之间的非线性相互作用。结论本研究通过实验与数值模拟方法，研究了在12、15、18三种不同压缩比以及0.7、2.1、3.5千瓦三种不同制动功率条件下，以20%体积比的水葫芦生物柴油、10%体积比的TGMEA添加剂、氢气富集以及基于尿素的SCR技术为燃料的压燃式发动机的性能。研究还整合了人工神经网络（ANN）建模与多目标优化技术，构建出了最优运行框架。该研究的创新之处在于首次实现了……CRediT作者贡献说明Rajneesh Kaushal：写作——审稿与编辑、验证、监督、资源提供、项目管理、概念设计。Shresht Kakran：写作——审稿与编辑、原始稿撰写、验证、软件使用、方法设计、研究实施、正式分析、概念设计。Vijay Kumar Bajpai：写作——审稿与编辑、验证、监督、项目管理未引用参考文献[2]。数据可用性数据将在收到请求后提供。资金支持本研究未获得任何资金资助。利益冲突声明? 作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢作者衷心感谢库鲁克舍特拉国家理工学院为支持本研究所提供的设施与资源。