可再生能源大豆对发动机性能、燃烧和排放的影响：一种结合模型数据验证与机器学习的方法

《Sustainability》：Influence of Renewable Glycine max on Engine Performance, Combustion and Emission: A Combined Model Data Validation and Machine Learning Approach

　　

随着能源需求增长和环境排放问题的日益关注，生物柴油已成为传统化石柴油的一种有前景的替代品。本研究调查了含有0–80%生物柴油的大豆（Glycine max）生物柴油–柴油混合燃料对柴油发动机性能、燃烧和排放特性的影响。评估的性能参数包括制动比油耗（BSFC）、制动平均有效压力（BMEP）、制动功率（BP）和制动热效率（BTE）。燃烧特性通过缸内压力、放热率（HRR）和累积放热分数（HRFs）进行评估，而排放特性则通过烟度不透明度（smoke opacity）和氮氧化物（NOx）排放进行分析。本研究的主要目的是评估高比例生物柴油和燃油喷射正时对整体发动机特性的影响。研究人员使用Diesel-RK（版本：4.30.189）和GT-Suite软件（版本：GT-ISE 2026）开发了一维（1D）模型。模型通过模型间对比进行了校准和验证，并进一步通过实验数据进行了验证。利用仿真生成的数据集，研究人员开发了一个基于机器学习的替代预测模型，能够直接从发动机运行条件和生物柴油混合比例快速估计发动机性能和排放特性，从而无需重复进行Diesel-RK仿真。研究人员评估了多种回归算法，其中XGBoost树集成模型在研究的性能参数中提供了最高的预测精度。此外，Diesel-RK数据与实验数据进行了验证。结果表明，模型间数据以及模型与实验数据之间的一致性证实了所开发模型的可靠性。所提出的Diesel-RK仿真与机器学习框架能够快速准确地预测发动机性能和排放，为评估生物柴油混合燃料以及支持未来发动机设计和优化提供了高效工具。

**论文解读文章**

**研究背景与问题**
全球能源需求因技术进步、人口增长和持续发展而显著上升。石油基化石燃料仍是主要能源来源，但其燃烧排放的二氧化碳（CO₂）、一氧化碳（CO）、颗粒物（PM）等污染物对健康和环境造成不利影响。温室气体（GHG）排放加剧了人为气候变化，大气CO₂水平已从工业革命前的280 ppm升至约430 ppm。交通运输部门是化石燃料消耗大户，尽管对替代燃料兴趣增长，但汽油、柴油和天然气仍广泛使用。因此，寻找可再生、清洁的替代燃料以缓解能源需求和减少排放至关重要。生物柴油作为一种可再生、无毒、可生物降解的燃料，被认为是有前景的柴油替代品。然而，直接使用生物柴油存在粘度高、胶质形成、酸性、碳沉积等问题，因此通常以混合燃料形式使用。大豆（Glycine max）甲基酯（SME）生物柴油因含氧特性可促进燃烧，但会提高氮氧化物（NOx）排放，且不同研究对NOx趋势存在争议。此外，发动机转速和燃油喷射正时对性能、燃烧和排放的影响尚未系统研究，尤其是高比例SME混合燃料。传统数值仿真工具（如Diesel-RK）虽能提供详细洞察，但重复仿真耗时且计算密集。因此，本研究旨在结合Diesel-RK仿真与机器学习（ML）方法，开发快速预测模型，评估SME混合燃料在不同工况下的发动机特性，并验证模型可靠性。该研究发表在《Sustainability》。

**研究方法概述**
研究人员采用一维（1D）建模方法，使用Diesel-RK（版本4.30.189）和GT-Suite（版本GT-ISE 2026）软件对单缸四冲程直喷柴油发动机（缸径150 mm，行程160 mm，压缩比20，燃油喷射正时13° bTDC，转速2000 rpm）进行仿真。燃料为100D（纯柴油）及四种SME混合燃料（20SME、40SME、60SME、80SME）。通过改变发动机转速（800–2400 rpm）和燃油喷射正时，获取性能参数（BSFC、BMEP、BP、BTE）、燃烧参数（缸内压力、放热率、点火延迟）和排放参数（NOx、烟度）。利用Diesel-RK仿真生成的8011个数据点，在KNIME平台上构建机器学习替代预测模型，评估线性回归、随机森林回归、XGBoost线性集成回归和XGBoost树集成回归四种算法，以发动机转速为输入，预测BSFC、BP、BTE、NOx和烟度。模型性能通过R²、MAE、MSE、RMSE、MAPE和MSD评估。Diesel-RK数据与GT-Suite模型及实验数据（缸内压力）进行验证。

**研究结果**
**3.1 发动机性能、燃烧和排放**
- **BSFC和BTE随转速变化**：所有SME混合燃料在1400–1600 rpm达到最低BSFC和最高BTE（约39.0%–39.6%），100D在1600 rpm达到最低BSFC（0.213 kg/kWh）和最高BTE（39.85%）。随SME比例增加，BSFC升高（20SME至80SME分别增加3.6%–15.8%），BTE降低（0.43%–2.1%），归因于SME较低热值。
- **BSFC和BTE随喷射正时变化**：在9–15° bTDC范围内BTE最大、BSFC最小，视为最佳喷射正时。与100D相比，SME混合燃料BTE最大降低0.35%–2.1%。
- **BMEP和BSFC**：低转速下BSFC高、BMEP低；转速升高至1800 rpm以上时BMEP增加、BSFC降低。SME比例增加导致BMEP降低（0.9%–4.4%）。
- **缸内压力**：所有SME混合燃料峰值压力低于100D，80SME最低，归因于较低热值。增大喷射角度（50°–70°）提高峰值压力。
- **放热率（HRR）和点火延迟**：HRR峰值在约12°曲轴转角处，100D高于SME混合燃料。SME混合燃料点火延迟更短（因较高十六烷值），导致HRR峰值较低。
- **NOx和烟度排放**：SME混合燃料NOx排放高于100D，烟度排放降低；80SME产生最高NOx和最低烟度。与100D相比，20SME至80SME的烟度降低7.8%–58.5%，NOx增加4.8%–13.2%。增大喷射角度提高NOx排放，但烟度先增后减。

**3.2 机器学习预测模型性能分析**
- 四种回归模型均能捕捉发动机转速与BSFC、BP、BTE、NOx和烟度之间的非线性关系。XGBoost树集成模型在所有参数和燃料中均取得最高预测精度（R²接近1.0，MAE、RMSE、MAPE最低），且MSD接近零，无系统性偏差。随机森林模型次之，线性回归和XGBoost线性集成模型误差较大。该模型可快速替代Diesel-RK仿真，适用于初步性能评估和生物柴油混合优化。

**3.3 Diesel-RK数据与GT-Suite验证**
- 在四种转速（1400、1800、2200、2600 rpm）下，Diesel-RK与GT-Suite预测的缸内压力峰值最大偏差为3.7%（1400 rpm），相位一致，表明模型间高度一致，验证了1D模型的准确性和鲁棒性。

**3.4 仿真数据与实验数据验证**
- 在缸径98 mm、行程110 mm、压缩比22.6、喷射正时13° bTDC、转速1400 rpm的发动机上，GT-Suite预测的缸内压力与实验测量值紧密吻合，峰值偏差3.2%，证实模型能准确捕捉燃烧特性。

**总结与讨论**
本研究通过Diesel-RK仿真与机器学习相结合的方法，系统评估了SME混合柴油燃料的发动机性能、燃烧和排放特性。主要结论如下：
- SME混合燃料相比柴油具有更高的BSFC和更低的BTE、BMEP。
- 缸内压力峰值出现在约6°曲轴转角，放热率峰值出现在约12°曲轴转角，与柴油特性可比。
- 100D与SME混合燃料之间的能量和?参数差异不显著。
- SME混合燃料NOx排放高于柴油，且随氧含量增加而升高；烟度排放则随氧含量增加而降低，归因于燃料氧促进燃烧和氧化烟炱前体。
- 所提出的Diesel-RK与XGBoost树集成混合框架能高效、准确地预测SME混合燃料和100D的发动机性能与排放，为快速生物柴油混合评估和发动机性能优化提供了实用工具。
- 1D建模（Diesel-RK与GT-Suite）以及实验验证均确认了数据的正确性和准确性，压力峰值最大偏差分别为3.7%和3.2%。