富氢藻类生物柴油燃烧的实验热力学研究与混合RSM-ANN预测

《Chemical Thermodynamics and Thermal Analysis》：Experimental Thermodynamic Investigation and Hybrid RSM-ANN Prediction of Hydrogen-Enriched Algal Biodiesel Combustion

　　

对低碳高效燃烧系统的需求日益增长，加速了与现有压缩点火（CI）发动机兼容的可再生燃料的研究。研究人员采用混合响应面法（RSM）和人工神经网络（ANN）方法，实验研究了以富氢藻油甲酯（AOME）为燃料的单缸柴油发动机的燃烧、性能和排放特性。选择发动机负荷（0-100%）、喷射压力（200-240 bar）和氢气流量（3-9 LPM）作为主要输入参数。共进行了45次实验运行，以评估峰值气缸压力、热释放率（HRR）、制动热效率（BTE）、制动比油耗（BSFC）和排气排放。结果表明，氢气富集显著改善了燃烧特性，在满负荷条件下，峰值气缸压力从34.75 bar增加到79 bar，HRR从29.72 J/°CA上升到157.62 J/°CA。在优化条件下，实现了最大BTE为44.01%和最小BSFC为0.141 kg/kWh。添加氢气还使CO、HC和烟雾排放分别减少了91%、90%和99%，相应地，由于燃烧温度升高，在较高负荷下NO_x排放增加。ANN模型优于RSM，预测精度达到R2值超过0.98。多目标优化产生的期望值为0.958。结果证明了富氢AOME双燃料运行在可持续汽车和长期CI发动机应用中的潜力，符合全球净零排放和可持续发展目标（SDG）。

**论文解读文章**

全球对低碳高效燃烧系统的需求日益增长，推动了与现有压缩点火（CI）发动机兼容的可再生燃料研究。微藻生物柴油作为第三代生物燃料，具有高脂质产量、不与食物资源竞争、生长快速和优秀的CO?吸收能力等优点，但其高粘度、较低热值和较高的NO_x排放限制了实际应用。氢气作为一种燃烧增强剂，具有更宽的燃烧极限和更高的火焰传播速度，可显著改善燃烧效率并减少不完全燃烧排放，但过量氢气会导致燃烧不稳定和NO_x增加。发动机负荷、喷射压力和氢气流量之间存在复杂的非线性相互作用，传统单因素实验方法难以全面捕捉。因此，需要采用混合统计和人工智能建模方法进行系统研究。本研究由Prabhakar M等人开展，实验研究了单缸柴油发动机使用富氢藻油甲酯（AOME）B20混合燃料的燃烧、性能和排放特性，并采用混合响应面法（RSM）和人工神经网络（ANN）进行建模与多目标优化。研究得出氢气富集显著改善燃烧效率，峰值气缸压力增加超过120%，BTE达到44.01%，BSFC降低至0.141 kg/kWh，CO、HC和烟雾排放分别减少91%、90%和99%，但NO_x排放增加。ANN模型预测精度优于RSM（R2 > 0.98），多目标优化获得0.958的期望值。该研究证明了富氢AOME双燃料运行在可持续汽车和长期CI发动机应用中的潜力，符合全球净零排放和可持续发展目标（SDG）。论文发表在《Chemical Thermodynamics and Thermal Analysis》。

**关键技术方法**：采用响应面法（RSM）进行实验设计（全因子设计，共45次实验），并利用人工神经网络（ANN）进行预测建模。输入参数为发动机负荷（0-100%）、喷射压力（200-240 bar）和氢气流量（3-9 LPM）。在单缸Kirloskar柴油发动机上开展实验，使用压电式压力传感器测量缸内压力，AVL 444五气体分析仪测量CO、HC、NO_x，AVL 437C烟雾计测量烟雾不透明度。ANN模型采用多层前馈网络，包含两个隐藏层（64和16神经元，ReLU激活），使用RMSprop优化算法，数据集按80%训练和20%测试划分。多目标优化采用期望函数法，各响应变量赋予等权重，目标为最大化BTE并最小化排放。

**研究结果**：

**4.1 人工神经网络分析**：ANN模型使用三个输入参数（负荷、喷射压力、氢气流量）预测输出，有效捕捉了负荷、喷射压力和氢气流量与燃烧、性能及排放之间的非线性关系。模型结构包含两个隐藏层（64和16神经元），ReLU激活函数，输出层8个神经元对应8个响应。预测精度极高，所有参数的R2值均超过0.98（例如峰值压力R2=0.9895，BTE R2=0.9950），RMSE和MAPE均较低，表明ANN能准确模拟复杂燃烧过程。

**4.2 燃烧分析**：峰值气缸压力和热释放率（HRR）随发动机负荷和氢气流量增加而稳步上升。在满负荷条件下，峰值压力从34.75 bar（0%负荷、3 LPM氢气）增至79 bar（100%负荷、9 LPM氢气），增幅超过120%；HRR从29.72 J/°CA增至157.62 J/°CA。氢气的高扩散性和快速火焰传播增强了预混燃烧阶段，喷射压力从200 bar增至240 bar进一步改善雾化和混合，促进压力升高。ANN模型预测与实验吻合良好（R2=0.92，RMSE=1.25，MAPE=2.81%）。

**4.3 性能分析**：制动热效率（BTE）随负荷和氢气流量增加而显著提高，满负荷时最大值为44.01%（240 bar、9 LPM氢气），较0%负荷时（14.22-16.36%）大幅提升。制动比油耗（BSFC）则随负荷和氢气流量增加而降低，满负荷时最低为0.141 kg/kWh，较0%负荷时（0.301-0.349 kg/kWh）明显下降。较高喷射压力通过改善雾化和混合进一步降低BSFC。ANN模型对BTE的预测R2=0.94，RMSE=0.65，MAPE=1.20%；对BSFC的预测R2=0.91，RMSE=0.008，MAPE=3.55%。

**4.4 排放分析**：CO排放随负荷、氢气流量和喷射压力增加而显著降低，满负荷条件下降至66.3-760.9 ppm，较0%负荷时（439.6-790.6 ppm）减少最多91%。HC排放类似，满负荷时降至11.74-24.07 ppm，较0%负荷时减少90%。烟雾排放大幅降低，满负荷时低至0.01 BSU，减少99%。然而，NO_x排放随负荷和氢气流量增加而升高，满负荷时达473-760.9 ppm，因燃烧温度升高导致热NO_x生成增加。ANN模型对CO的预测R2=0.992，RMSE=15.68，MAPE=3.88%；对HC的预测R2=0.9944，RMSE=1.02，MAPE=2.90%；对烟雾的预测R2=0.9908，RMSE=0.05，MAPE=3.54%；对NO_x的预测R2=0.9855，RMSE=21.05，MAPE=3.12%。

**4.5 ANN-RSM比较**：统计指标（R2、RMSE、MAE）显示，ANN模型在所有响应参数上均优于RSM模型。例如，BTE的R2：ANN为0.991，RSM为0.962；BSFC的R2：ANN为0.988，RSM为0.954；NO_x的R2：ANN为0.984，RSM为0.948；烟雾的R2：ANN为0.989，RSM为0.951。ANN能更准确捕捉非线性相互作用，而RSM在高度非线性区域预测能力有限。

**4.6 组合分析**：多目标优化通过期望函数法获得综合期望值0.958，表明在优化条件下可同时实现最大化BTE和最小化排放。最优条件对应负荷、喷射压力和氢气流量的特定组合。相关热图显示负荷与峰值压力、HRR、BTE、NO_x呈强正相关（r=0.93-0.99），与BSFC、CO、HC、烟雾呈强负相关（r=-0.86至-0.96）；CO、HC、烟雾之间高度正相关（r=0.95-0.99），体现共同减排效果；NO_x与BTE和HRR呈中高度正相关，反映效率与排放的权衡。

**总结讨论与结论**：研究人员在讨论中强调，富氢AOME双燃料运行显著改善了燃烧效率和排放，但NO_x增加需通过后处理技术（如EGR）解决。单缸发动机结果向多缸推广需谨慎考虑缸间差异、瞬态负荷波动和热不平衡等因素。研究结论翻译如下：本研究实验和计算研究了发动机负荷、喷射压力和氢气浓度对AOME混合燃料CI发动机燃烧、性能和排放的综合影响，得出以下结论：（1）峰值气缸压力和HRR随负荷和氢气浓度增加，满负荷时峰值压力增加超过120%，归因于氢气的高扩散性和快速火焰传播增强预混燃烧；（2）BTE随负荷和氢气浓度增加，最大值44.01%，BSFC降至最低0.141 kg/kW·h，较高喷射压力改善雾化和混合；（3）CO、HC和烟雾排放显著减少，满负荷时烟雾不透明度降至0.01 BSU，但NO_x排放因缸内温度升高而增加，突显效率与NO_x的经典权衡；（4）ANN模型在预测所有响应参数上优于RSM，所有R2值超过0.98，展现ANN在捕捉氢浓度生物柴油燃烧复杂非线性相互作用方面的强大能力；（5）多目标优化获得0.958的期望值，确定了同时最大化BTE和最小化排放的运行条件，证明混合RSM/ANN分析对发动机参数优化的有效性。