《Energy and AI》：Neural-network prediction of methanol-additive spray penetration and cone angle across flash-boiling and non-flashing regimes
编辑推荐：
甲醇及其含氧混合燃料是直喷发动机中可信的低碳燃料，然而经典关联式在实际压力范围内对其喷雾行为的预测效果不佳。贯穿距决定壁面润湿风险，锥角控制空气卷吸，二者必须同时预测。在定容容器中进行的高速纹影（Schlieren）成像记录了纯甲醇以及与甲基叔丁基醚（MTBE
甲醇及其含氧混合燃料是直喷发动机中可信的低碳燃料，然而经典关联式在实际压力范围内对其喷雾行为的预测效果不佳。贯穿距决定壁面润湿风险，锥角控制空气卷吸，二者必须同时预测。在定容容器中进行的高速纹影（Schlieren）成像记录了纯甲醇以及与甲基叔丁基醚（MTBE）、2-乙基己基硝酸酯（2-EHN）或丙酮按1%、5%和10%体积比混合的燃料喷雾，喷射压力为2至10 MPa，环境压力为4至200 kPa，涵盖闪沸与非闪沸状态。对每种条件取五次重复的平均，得到覆盖144种操作条件的4320个时间分辨观测值。一个多输出反向传播神经网络同时预测两个描述参数，并在整个留出的喷雾条件上进行评估，而非针对单个帧。在21个未见条件下，反向传播模型对贯穿距和锥角的决定系数分别达到0.994和0.989，均方根误差分别为2.00 mm和1.82°，处于或低于测量重复性水平。经过标定的广安-新井（Hiroyasu-Arai）关联式在非闪沸条件下仍然有效，但在闪沸条件下丧失了大部分预测能力，而反向传播模型则保持了良好性能。梯度提升树对锥角的预测略优，但仅有反向传播模型能同时描述两个参数。使用遗传算法优化其权重未带来精度提升。贯穿距主要受喷射压力和环境压力控制，锥角则主要受添加剂组成影响。当完全留出某一环境压力水平或某一添加剂浓度时，决定系数降至零以下，这界定了模型的实际适用范围。
**基于反向传播神经网络的甲醇添加剂燃料喷雾特性预测研究解读**
**1. 研究背景与问题**
在直喷发动机系统中，燃料喷雾质量从根本上决定燃烧效率、动力输出和污染物生成。充分的雾化和适当的喷雾贯穿距有助于形成均匀的燃料-空气混合气，促进完全燃烧，同时抑制一氧化碳（CO）、未燃碳氢化合物（HC）和颗粒物排放。面对日益严苛的脱碳目标，甲醇作为一种近期的可再生替代燃料受到了广泛关注。甲醇可通过生物质、废弃二氧化碳（CO?）或绿氢经电制燃料（power-to-X）路径生产。甲醇分子中不含碳-碳键，燃烧时 inherently 无烟，且其高含氧量即使在与传统燃料混合时也能抑制CO和颗粒物形成。然而，甲醇在控制喷雾行为的关键物理性质上与柴油存在根本差异，例如更低的密度和粘度、更高的挥发性、更高的汽化潜热，以及在亚大气压条件下显著的闪沸倾向，这些特性以柴油衍生模型未能捕捉的方式改变了喷雾形成和破碎机制。添加含氧添加剂如甲基叔丁基醚（MTBE）、2-乙基己基硝酸酯（2-EHN）和丙酮（A）可改善着火质量并调节燃料挥发性，但其对喷雾贯穿距和锥角的影响必须在代表性的喷射和环境压力范围内进行表征，以便在特定燃烧室中进行喷射器选型、混合燃料配方和喷射策略优化。
历史上，喷雾行为通过经验关联式和基于物理的模拟来描述。Dent、Hiroyasu-Arai和Wakuri等人建立的经典模型源自大量柴油数据集，确立了喷射压力、环境密度和喷嘴几何对喷雾贯穿距和锥角的主要影响关系。尽管这些关联式仍作为可解释的基线被广泛使用，但其直接应用于甲醇受制于该燃料显著不同的挥发性、粘度和闪沸倾向，需要特定燃料的修正，限制了其通用性。计算流体动力学（CFD）原则上可以解析完整的多相、多尺度喷雾物理过程而无这些燃料特定限制，但在闪沸或降压条件下，其计算成本对于快速参数化探索而言仍然过高。上述局限促使了能够高效学习甲醇基配方在广泛运行范围内非线性喷雾响应的数据驱动替代模型的发展。
**2. 研究内容与技术方法**
针对现有研究中的三个主要局限性——单输出预测普遍存在、甲醇-添加剂配方在闪沸与非闪沸条件下的泛化能力未得到验证、以及缺乏对完整操作条件留出评估——本研究开展了一项系统的实验与建模工作。研究人员在定容容器（CVV）中利用高速纹影成像技术，对纯甲醇及三种含氧添加剂（MTBE、2-EHN和丙酮）按1%、5%和10%体积比混合的燃料进行了喷雾可视化实验。实验覆盖了2至10 MPa的喷射压力范围和4至200 kPa的环境压力范围，涵盖了闪沸与非闪沸两种喷雾状态。通过图像处理提取喷雾贯穿距和锥角，构建了一个包含4320个时间分辨观测值、覆盖144种操作条件的数据集。在此基础上，研究人员开发了一个6-20-2结构的多输出反向传播（BP）神经网络，可同时预测喷雾贯穿距和锥角。模型评估采用条件级留出协议，即整个操作条件被完全留出，以严格检验模型的泛化能力。此外，研究还对比了线性回归、支持向量回归、梯度提升树、标定的经典关联式以及遗传算法优化的BP（GA-BP）网络等多种建模方法，并通过置换重要性、Shapley值和偏依赖分析对模型进行了物理解释。
**3. 研究结果**
**3.1 模型预测精度对比**：在21个完全留出的测试条件下，BP网络对贯穿距和锥角的预测决定系数（R2）分别为0.994和0.989，均方根误差（RMSE）分别为2.00 mm和1.82°。线性回归和经典关联式表现出系统性偏差和结构缺陷，而支持向量回归和梯度提升树表现出较好的跟踪能力，但BP网络在同时预测两个参数方面具有独特优势。
**3.2 对未见操作条件的泛化能力**：当留出完整燃料配方或喷射压力水平时，模型性能下降有限。然而，留出整个添加剂浓度水平或环境压力水平会导致预测精度急剧恶化，说明模型在采样范围内插值可靠，但严禁外推。与传统逐帧随机划分相比，条件级留出协议得出的精度指标更为严格和真实。
**3.3 与经典喷雾关联式的比较**：标定的Hiroyasu-Arai关联式在非闪沸条件下保持了一定的预测能力，R2为0.754，但在闪沸条件下R2骤降至0.144。Dent关联式在两种状态下均表现不佳。BP网络在两种状态下的误差分别为1.69 mm和2.50 mm，R2均接近或超过0.99，证明数据驱动方法能够捕捉经典关联式无法描述的闪沸喷雾行为。
**3.4 遗传算法变体的行为**：遗传算法优化提供的初始权重使验证误差比标准初始化差21.5倍，经Levenberg-Marquardt精炼后最终精度也无提升。分析表明，182个权重和偏差构成的高维空间中，GA搜索次数远远不足，维数灾难是导致其失效的根本原因。对于此类平滑、规则的数据集，直接梯度训练既更简单也更精确。
**3.5 输入归因与物理解释**：置换重要性和Shapley值分析表明，喷射压力和环境压力主导喷雾贯穿距，而添加剂组成主导锥角。偏依赖曲线定量再现了经典动量关联式的物理趋势。丙酮对锥角的非单调影响提示了低浓度下竞争效应的存在，但该结果需在未采样浓度点进行实验验证。
**3.6 与实验重复性相关的模型误差**：模型对锥角的误差（1.82°）低于测量的逐次重复性标准差（±2.24°），贯穿距误差（2.00 mm）与实验重复性（±1.37 mm）处于同一量级。15次随机初始化的重复训练给出了2.15±0.14 mm和2.06±0.16°的稳定结果，确认了模型性能的可靠性。
**4. 讨论与结论**
研究讨论部分指出，传统关联式缺乏闪沸条件下快速内部汽化、羽流膨胀和喷雾坍塌的物理表示，导致其在降压条件下的预测能力大幅下降。相较之下，神经网络模型在两种状态间仅略有性能降低。对于锥角预测，LSBoost虽然略优于BP网络，但只有BP网络能用一个模型同时预测两个喷雾描述参数。遗传算法在权重优化中的失败强调了一个重要原则：对于平滑、采样良好的数据集，直接梯度训练既更简单也更准确。
本研究的结论表明：一个标准的反向传播网络能够在实验重复性范围内预测甲醇-添加剂燃料的宏观喷雾特性，并且该预测是在完全留出的操作条件下获得的，而非与训练数据交错的帧。该网络仅需182个参数、不到一秒完成训练，评估完整喷雾历史不足0.1 ms，适用于快速混合物筛选和喷射策略研究。研究同时指出，喷雾主要受喷射和环境压力控制，锥角主要受添加剂组成影响，这为理解甲醇添加剂燃料的喷雾物理提供了数据驱动的见解。未来工作需在异种喷射器或不同实验设施上验证模型的泛化能力，并将其扩展到反应性喷雾、真实发动机几何以及系统的喷嘴几何变化研究。
