基于数据的虚拟引擎框架，用于预测生物质废弃物衍生生物燃料发动机的性能和排放量

《Biomass and Bioenergy》：Data-driven virtual engine framework for predicting performance and emissions of biomass waste-derived biofuel engine

　　• 对橙油10%混合物、松油10%混合物和汽油的火花点火发动机进行了实验比较。• 松油10%混合物被确定为性能最佳的燃料，具有更高的热效率和更低的排放量。• 开发了一个人工神经网络模型，并在MATLAB中实现，用于预测发动机特性。• 创建了一个虚拟Simulink模型和仪表板，用于汽油和松油10%混合物的测试，并进行了交叉验证和结果分析。

引言
过去几十年来，化石燃料的不可持续消耗导致了自然资源的需求增加和快速枯竭。对环境有害排放物的法规和政策执行促使人们重新关注替代燃料。因此，探索可能的可持续替代能源已成为科学家们十多年来的重要课题[1]。一些政府实施了严格的规章制度，以减少汽车行业的空气污染[2,3]。汽车制造商和整个行业都有义务开发改进的方法来遵守新颁布的法规。因此，提高内燃机的效率和减少有害排放已成为减轻这些影响的主要措施[4]。基于碳的生物燃料和醇类被 researchers 视为潜在的汽油替代品，以提升效率并减少排放[5]。在商业上，乙醇和甲醇等醇类被视为最有前景的替代品[6]。由于醇类混合物中的氧含量较高，能够加速HC和CO的氧化，因此它们可以减少NOx、CO、HC和CO2的排放[7]。最近，一些发达国家开始将生物乙醇添加到汽油中，以提高辛烷值并提升发动机性能[8,9]。关于醇类的研究显示，它们在新排放法规下具有较好的效果，并能减少排放[10,11]。某些国家政府已经授权使用特定比例的混合燃料，而无需对发动机进行任何修改[12]。基于热值和辛烷值，生物衍生燃料是纯汽油的部分替代品。然而，关于在内燃机中使用替代生物油的研究还相对较少。Venkatesan等人[13]评估了包含椰子油和松油的生物燃料混合物的有毒排放指标和效率，发现含有甲酯的混合物减少了碳氢化合物排放、燃油消耗、一氧化碳和排气温度。Vallinayagam等人[14]在研究压缩点火发动机中烟熏松油的发动机参数时，发现其在最大负荷下的HC和CO排放量较低。Rajasekhar等人[15]的研究表明，将松油与Jatropha甲酯和30%的EGR混合使用时，虽然烟雾略有增加，但NOx排放显著减少。Panneerselvam等人[16]观察到，在最大负荷下，使用20%松油与汽油混合的柴油发动机比纯汽油测试燃料具有更好的燃烧热值（BTE）、更低的氢气和碳排放、更早的燃烧开始时间以及更高的HRR。Vallinayagam等人[17]尝试通过在CI发动机中混合松油和甲酯生物柴油来完全替代化石燃料，其性能和燃烧特性与柴油相当。尽管CO2、HC和烟雾的排放量较低，但其NOx排放量几乎与柴油相同。

橙皮在提取果汁后会产生有价值的副产品，但仍然是一种未被充分利用的生物废弃物。橙皮占水果重量的四分之一，最终大多被丢弃[19]。Wijayanti等人[19]研究了向纯汽油中添加橙皮油的效果，发现这种添加剂改善了汽油的物理和化学性质[20]。Saravanan等人[20]在SI发动机中进行了实验，部分用橙皮油替代汽油，无论是否有活塞涂层，结果发现NOx排放略有减少，而HC和CO排放略有增加。当燃料混合物中橙皮油的比例增加时，燃烧延迟也随之增加[20]。

自能源危机以来，开发化石燃料的替代品受到了广泛关注。大量的生物燃料来源促使人们研究来自各种生物来源的生物燃料的燃烧特性、性能和有害排放。低辛烷值的生物燃料是汽油的有希望的替代品，因为它们具备了所有必要的特性。它们的物理和热性质与汽油相似，可以有效地用于SI发动机。基于此，本研究的初步阶段专注于确定松油和橙皮油是否适合作为生物燃料汽油发动机的应用，并通过实验和内窥镜技术确定最佳混合比例，以实现最佳的排放、燃烧和性能指标。表1显示了汽油、松油和橙皮油的性质。本研究选择了10%的混合比例，作为适当的生物燃料替代水平，以保持主要燃料的性质及其接近纯汽油的性能。这使得在现有SI发动机配置下进行稳定的运行成为可能，同时可以对发动机进行物理改造。松油和橙皮油都采用了相同的10%比例，以便在相同的工作条件下进行一致的比较，从而评估它们的性能、燃烧和排放特性。

文献回顾的扩展通过内窥镜可视化技术促进了人们对汽油发动机缸内燃烧特性的更好理解和评估[21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42]。Babu等人[21]使用松油混合物和内窥镜技术研究了SI发动机的缸内燃烧参数，发现在最大负荷下使用20%松油混合物时，燃烧性能有所提升，包括更好的BTE、更快的燃烧开始、显著减少的HC和CO排放以及更高的HRR。Miers等人[22]使用燃烧内窥镜观察了高温火焰和喷射模式。AVL VisioScope光学系统、彩色数码相机和ThermoVision软件有效地捕捉到了燃烧图像。Jeon等人[23]通过燃烧内窥镜技术确定了缸内两个参数：喷射形成和传播。Shen等人[24]使用高速相机观察和记录了SI发动机燃烧室内火焰的初始、发展和传播情况。Hendal等人[27]证实了激光诱导荧光方法在GDI发动机中识别缸内燃烧方面的卓越效果。Aleiferis等人[28]研究了一种多孔直接汽油喷射发动机，通过几周期内检测到的火焰化学发光图像的后处理获得了每种测试燃料在缸内的火焰传播和生长情况。Song等人[29]利用模拟工具分析了燃料喷射的扩散模式和气缸流动。Rezaei等人[37]研究了运行在含氧燃料（乙醇和丁醇）上的HCCI发动机的性能和排放，通过燃烧内窥镜图像和气缸压力映射了燃烧质量。Oh等人[30]使用激光诱导荧光技术记录了直接喷射火花点火发动机中的燃料喷射模式。

随着对替代生物燃料需求的增加，发动机和燃料研究界通过计算方法和人工智能技术来解决这个问题[35,36,37,38,39,40,41,42,43,44]。借助大量实验数据集，人工智能利用黑盒方法估算生物燃料发动机的参数。通过实时传感器数据的整合，改进了发动机效率和排放减少，使得燃料混合物的参数调整变得更加容易。机器学习系统的应用消除了耗时且复杂的实验需求，能够高精度地预测发动机参数。尽管机器学习已应用于SI发动机，但在生物油汽油混合物中的应用潜力仍有限[35,36]。

Josephin等人[35]研究了ANN在预测生物燃料压缩点火发动机特性中的应用。他们训练并评估了以甲酯、橡胶籽油和柴油为主要燃料、乙醇为辅助燃料的神经网络，结果表明该神经网络在分析生物燃料发动机参数（如BTE、BSEC、NOx、HC和CO）方面具有很好的能力。Najafi等人[36]使用ANN模型评估了乙醇混合汽油的燃料发动机的排放和性能，发现由于乙醇中的氧分子含量较高，BSFC、CO和HC排放减少，而CO2和NOx排放增加。Rezaei等人[37]使用ANN模型准确预测了火花点火发动机的性能和排放，通过反向传播技术在70/30训练/测试数据上的相关性系数很高。Rezaei等人[37]还研究了使用含氧燃料（乙醇和丁醇）的HCCI发动机的性能和排放。Herawan等人[38]研究了内燃机中的废热回收，发现可以通过ANN回收热能，从而提高发动机效率。Soufi等人[39]使用ANN方法测试了SI发动机的性能和排放，发现基于ANN的参数预测方法有效。Tekin等人[40]创建的人工神经网络架构可以计算甲醇汽油混合物的火花点火发动机扭矩、功率输出和尾气排放。通过反向传播方法训练ANN模型，取得了令人满意的效率，HC、EGT和BSFC的相关系数约为0.99[40]。

Liu等人[41]的研究评估了人工神经网络的性能，使用了梯度提升树、支持向量机和随机森林来预测排气温度。尽管ANN模型在准确性上优于物理模型，但仍需要充分的超参数调整[41]。Dey等人[42]开发了一种ANN方法，用于评估乙醇、棕榈生物柴油和传统柴油混合物的柴油发动机特性。Levenberg-Marquardt反向传播技术与人工神经网络的结合显示出良好的准确性，R2值约为0.99，平均平方误差较低[42]。观测数据与使用集成模糊接口系统的预测结果进行了比较。Barboza等人[43]研究了将汽油与10%乙醇混合，并用过氧化氢和1.5% H2O2乳化该混合物的效果。结果发现，这种混合物略微减少了二氧化碳、碳氢化合物和氮氧化物的排放，同时提高了4.8%的制动热效率。在Bhowmik等人[44]的研究中，他们使用含有5%乙醇的柴油-煤油混合物对CI发动机进行了测试。实验表明，添加乙醇后，制动热效率（BTE）有所提高，而NOx、CO和HC的排放量则有所下降。通过实验和Levenberg-Marquardt反向传播方法开发了一个精确的ANN（人工神经网络）模型。MSE（均方误差）、MAPE（平均绝对百分比误差）和R2指标均处于可接受范围内，表明该模型性能良好。通过应用模糊分析优化了ANN模型的网络结构。Karunamurthy等人[45]在他们的研究中引入了现代人工智能技术来研究内燃机的排放和性能，强调了深度学习和机器学习在发动机参数优化中的潜力。然而，随着隐藏层数量的增加，人工神经网络也出现了非线性行为和计算复杂性的问题。Pla等人[46]使用单值分解从火花点火发动机的冲击信号光谱图中获取了燃烧数据，并发现了提取特征与人工神经网络之间的相关性。与传统的发动机控制模型相比，ANN框架在燃料量、火花提前角和转速等指标上表现出良好的预测准确性。此外，在未经训练的新操作条件下，MAE（平均绝对误差）指标显著降低。

这些先前的研究分别探讨了基于ANN的发动机预测和燃烧内窥镜技术。将这两种技术整合到一个统一的虚拟发动机框架中仍然有限。本研究专注于结合负荷（Load）、燃油消耗率（BSFC）和基于图像的燃烧特征（IMGmean）来预测关键发动机参数。研究使用了在MATLAB中优化的ANN模型，并随后在Simulink中实现了这些模型。本研究的新颖之处在于它整合了实验、内窥镜技术、ANN和Simulink框架。

**实验设置 - 研究发动机、排放记录器和内窥镜系统**
本实验使用了一台25千瓦的火花点火、液冷发动机进行。发动机的闭环电子燃油喷射系统与所有发动机管理传感器和执行器相连。控制系统根据 throttle 位置、压力和速度传感器的数据来调节发动机工作。通过喷射系统，燃油以5巴的压力喷出，每个循环的喷射量是固定的。

**测试燃料混合物**
美国材料与试验协会的标准验证了汽油和生物燃料混合物（包括OPO10和P10）符合所需的性能指标。这些生物燃料混合物在物理化学性质上与汽油相当。此外，所有测试燃料的自燃温度和辛烷值都在指定范围内。同时，OPO10和P10的热值和蒸发热也符合标准。

**实验程序**
实验通过在涡流测功机上逐步施加发动机负荷来进行，每次试验负荷增加20%。通过手动调节 throttle 保持发动机转速恒定为2500转/分钟。发动机启动后运行20分钟进行预热。当发动机达到稳定状态后，使用纯汽油记录第一组数据。

**燃烧内窥镜图像捕获与处理**
曲轴角度位置传感器将信号传递给电子控制系统，该系统触发配备电荷耦合设备（CCD）相机进行图像捕获。对于从纯汽油到生物燃料混合物的所有负荷情况，CCD相机捕获了感兴趣区域的可见光谱。使用“camware”软件存储了与曲轴角度相关的燃烧数据。

**燃烧图像分析及数据集生成**
基于图像处理结果，发现点火发生在靠近火花塞的位置，并向火焰核心扩散，最终扩展到发动机气缸壁。在火花电极区域存在富燃料混合物的情况下，产生了更明亮的火焰。在低至中等负荷条件下，火焰更加均匀且亮度较低。

**机器学习在生物燃料火花点火发动机特性预测中的应用**
机器学习是一种无需显式编程即可通过计算机进行学习的技术。通过训练实验数据集，机器学习算法能够理解相关性和模式，从而准确预测数据。对于传统编程技术难以解决的复杂问题，机器学习方法可以轻松应对，并且还有助于提升系统性能。

**人工神经网络（ANN）**
人工神经网络（ANN）是一种监督学习方法，在估计、控制和优化方面非常有效[37]。这是一种黑盒方法，无需显式方程或系统信息即可运行[38]。传统的ANN架构包括输入层、隐藏层和输出层，用于描述非线性行为。利用ANN可以生成精确且全面的发动机和燃料领域的数据驱动模型。此外，ANN还具有预测能力。

**性能与误差指标（ANN）**
使用了R2、RMSE（均方根误差）和MAPE（平均绝对百分比误差）等指标来评估ANN机器学习模型的性能。模型识别输出变量，R2计算其中的方差强度，RMSE量化模型的绝对预测误差，MAPE量化百分比误差。R2作为关键指标，用于评估开发出的ANN模型的拟合度，表明输出参数中的方差百分比。

**制动热效率**
图中展示了纯汽油、OPO10和P10在各种负荷条件下的制动热效率。在20%负荷下，纯汽油、OPO10和P10的BTE（制动热效率）值分别介于14.2% - 15.3%、14.2% - 15.1%和15.6% - 16.8%之间。随着负荷从1.6千瓦增加到8千瓦，所有测试燃料的BTE值均呈上升趋势，这归因于摩擦和其他损失的减少，从而提高了制动热效率。

**结论**
本研究旨在通过全面的实验分析和基于ANN的预测方法，探讨包含10%橙油和汽油OPO10或松油和汽油P10混合物的性能、排放及燃烧特性与纯汽油的差异。研究结合了先进的机器学习技术（ANN）、燃烧内窥镜技术和图像处理方法。结果表明，制动热效率提高了约30.4% - 31.2%。

**作者贡献声明**
R. Anita Jasmine：研究设计、初稿撰写、数据分析、可视化；
D. Jesu Godwin：概念构思、研究设计、审阅与编辑、方法论；
Edwin Geo Varuvel：撰写、审阅与编辑、项目管理工作；
J.S. Femilda Josephin：可视化处理、数据验证、资源管理；
Farzad Kiani：软件开发、可视化；
Jonas Matijo?ius：项目监督、数据整理；
Tadas ?virblis：可视化处理、数据分析；
Artūras Kilikevi?ius：撰写。