基于机器学习的氨-含氧燃料混合物层流火焰速度数据驱动建模

《Energy & Fuels》：Data-Driven Modeling of Laminar Flame Speed in Ammonia–Oxygenated Fuel Blends Using Machine Learning

　　

研究人员指出，氨（NH₃）和氢（H₂）作为关键的碳中和能源载体，为减少发电和交通运输领域的碳排放提供了有前景的途径。然而，氨本身具有不利的燃烧特性，通过与含氧燃料和碳氢化合物混合可以显著改善其燃烧动力学。本研究重点在于利用先进的数据驱动建模技术，表征氨基燃料混合物的层流火焰速度（Laminar Flame Speed, LFS）。研究人员开发了一种带有反向传播的前馈人工神经网络（Feed-Forward Artificial Neural Network, FFANN），用于预测包含各种含氧添加剂的预混氨-空气混合物的LFS。该模型使用一个庞大的数据集进行训练，该数据集包含通过化学动力学模拟生成的8580个数据点，覆盖了广泛的操作条件。除了ANN之外，研究人员还实施并系统评估了多种机器学习（Machine Learning, ML）模型，包括广义线性回归（Generalized Linear Regression, GLR）、支持向量机（Support Vector Machines, SVM）、决策树（Decision Trees, DT）、随机森林（Random Forests, RF）、极端梯度提升（Extreme Gradient Boosting, XGBoost）、堆叠回归器（Stacking Regressor, SR）和投票回归器（Voting Regressor, VR）。超参数通过网格搜索交叉验证（Grid-Search Cross-Validation）进行优化，所有模型均使用Python中的Keras API开发。在评估的模型中，ANN表现出优越的预测性能，在独立测试集（占总模拟数据集的15%）上实现了近乎完美的准确性，其决定系数（R²）为1.0，均方根误差（RMSE）为0.27，平均绝对误差（MAE）为0.20。该性能证明了ANN作为计算成本高昂的化学动力学模拟的高度精确代理模型的能力。基于集成的方法，特别是XGBoost、SR和VR，在优化后也达到了有竞争力的准确性。此外，通过扩展Gülder的公式，研究人员开发了一个适用于氨-空气混合物与含氧燃料混合的广义层流火焰速度关联式。该提出的关联式结合了关键控制参数，包括压力、温度、当量比和摩尔混合分数，针对模拟数据集取得了超过99%的R²。这证实了所提公式的鲁棒性和可推广性。总体而言，结果突出了数据驱动方法对于快速可靠的燃烧表征的有效性，支持了氨燃料可持续能源系统的发展。

**基于机器学习的氨-含氧燃料混合物层流火焰速度预测：方法、关联与应用解读**

**一、 研究背景与意义**
全球能源危机因人口增长、工业扩张和能源消费增加而加剧，尽管可再生能源在扩展，但化石燃料仍是主要能源，导致CO₂排放持续上升。实现碳中和与可持续能源系统迫在眉睫。氨（NH₃）作为一种无碳、富氢的燃料，可通过可再生途径合成，是实现2050年净零排放目标的重要能源载体。然而，氨的燃烧特性较差，表现为层流火焰速度（LFS）极低（约7 cm/s，仅为甲烷的五分之一）、可燃范围窄、自燃温度高、能量密度低且汽化潜热高，阻碍了其在燃烧设备中的直接应用。

为克服这些缺点，研究人员常将氨与更活泼的燃料（如碳氢化合物、含氧燃料）混合，以改善其燃烧性能。含氧燃料（如二甲醚（DME）、二甲氧基甲烷（DMM）、二乙醚（DEE））因其清洁燃烧特性、良好的发动机兼容性以及与氨混合后能显著提升点火延迟时间、降低点火温度并提高LFS，而备受关注。LFS是燃烧研究中的一个基础参数，对于燃料替代品选择、反应机理验证、预测燃料性能、发动机效率、排放及抗爆性至关重要。传统上，LFS通过实验方法（如球形膨胀火焰室、热通量或平面火焰燃烧器）或计算方法（如使用Chemkin、Cantera等工具求解详细化学动力学）确定。然而，实验方法因方法差异导致结果不一，计算方法则因需要求解大规模物种-反应系统而计算成本高昂。

近年来，基于机器学习的预测模型因其作为高效、数据驱动的工具，在估算LFS方面展现出比传统实验和动力学方法更快、更具可扩展性的优势而受到关注。然而，现有使用ML预测LFS的研究大多局限于低温、低压、燃料种类狭窄的条件，且常依赖外推来模拟实际发动机工况，损害了预测准确性。虽然此前有研究将ANN和SVM应用于烃类替代燃料和氨-氢混合物，但尚未有研究报道针对氨与含氧燃料混合物的LFS预测，尽管其与低碳燃烧策略高度相关。因此，本研究旨在填补这一空白，为氨/含氧燃料（DME、DMM、DEE）混合物开发基于ML的预测模型，并探究先进的集成学习方法，同时提出一个广义LFS关联式，以支持氨燃料可持续能源系统的发展。

**二、 研究方法与关键技术**
本研究采用的关键技术方法主要包括以下四个方面：
1. **化学动力学模拟与数据生成**：使用一个包含204种化学物质和1777个可逆反应的高保真、经充分验证的氨燃烧动力学机理（通过LOGEresearch软件执行一维预混火焰模拟），生成了覆盖宽广操作范围（压力1-10 bar，温度300-500 K，当量比0.6-1.6，NH₃摩尔分数0.4-0.9，含氧燃料摩尔分数0.1-0.6）的8580个模拟数据点，作为训练和评估机器学习模型的基础数据集。
2. **多种机器学习模型构建与优化**：研究了包括GLR、SVM、DT、RF、XGBoost、SR、VR以及FFANN在内的八种ML算法。所有模型均使用Python及Keras API实现，并通过网格搜索交叉验证（Grid Search CV）系统性地优化超参数，以在验证集上最小化均方误差（MSE）并最大化模型性能。
3. **模型性能评估与比较**：使用R²、RMSE、MAE和偏差误差等指标，在独立的测试集（占总数据集的15%）上全面评估各模型的预测性能、误差分布及计算时间，并与传统化学动力学模拟的计算成本进行比较。
4. **广义层流火焰速度关联式开发**：扩展了Gülder的公式，提出了一个适用于氨-含氧燃料混合物（DME、DMM、DEE）的LFS广义关联式（包含压力、温度、当量比和摩尔混合分数等关键参数），并通过拟合模拟数据集确定了关联式中的系数，其预测与模拟数据集的一致性R²超过99%。

**三、 主要研究结果**
**3.1 各类模型预测结果对比**
在所有测试的ML模型中，前馈人工神经网络（FFANN）展现了最高的预测准确性。其在独立测试集上的R²达到1.0，RMSE和MAE分别为0.27和0.20，表明该模型作为高精度代理模型，能近乎完美地复现计算成本高昂的化学动力学模拟结果。基于集成的模型，如XGBoost（R²=0.998, RMSE=0.58, MAE=0.41）、投票回归器（VR，R²=0.995, RMSE=0.89, MAE=0.68）和堆叠回归器（SR，R²=0.998, RMSE=0.53, MAE=0.37）也表现出优异的性能，接近ANN的精度。相比之下，传统的广义线性回归（GLR）表现最差（R²=0.68），显示了其在处理复杂非线性数据关系方面的局限性。误差分布分析进一步证实，ANN、XGBoost、SR和VR产生的误差分布窄小、对称且集中于零附近，具有更好的泛化能力。计算时间分析表明，基于ML的预测框架（特别是ANN）比传统的详细化学动力学模拟快约500倍，极大地提升了计算效率。

**3.2 广义关联式拟合与验证**
针对氨与DMM、DEE、DME的混合物，研究人员成功拟合了广义LFS关联式中的各项系数（如a, b, W, η, ζ及γ和δ的压力温度指数多项式系数）。该关联式针对每种混合物的拟合精度均很高（R² > 0.993）。将关联式的预测值与可用的实验数据进行对比（如图9所示），对于大多数工况，预测偏差保持在15%以内。ANN模型的预测结果与实验数据也显示出良好的一致性，偏差通常低于10%。这表明所开发的关联式和训练好的ANN模型均能可靠地预测氨-含氧燃料混合物的LFS变化趋势，但ANN模型在更宽的操作范围内通常表现出略高的准确性。

**四、 总结与讨论**
本研究通过整合化学动力学模拟与多种先进的数据驱动建模技术，系统性地研究了氨-含氧燃料（DME、DMM、DEE）混合物的层流火焰速度预测问题。研究工作生成了大规模、机理完备的合成数据集，并据此训练和优化了包括ANN在内的八种机器学习模型。研究结果明确表明，人工神经网络（ANN）模型在预测准确性上表现最为卓越，能够以极高的保真度替代昂贵的化学动力学模拟。同时，XGBoost等集成学习方法也表现出强大的竞争力。此外，研究成功开发了一个广义LFS关联式，为工程应用提供了快速、便捷且足够准确的估算工具。

该研究的首要意义在于，首次为氨与含氧燃料混合物这一重要低碳燃料组合提供了全面的基于机器学习的LFS预测框架，填补了现有研究空白。ANN模型和广义关联式均展现出高精度和良好的泛化能力，能够覆盖发动机相关的宽广操作条件，无需依赖可能降低可靠性的外推。这些成果为氨基燃料在燃气轮机、内燃机等先进燃烧技术中的应用提供了关键的燃烧性能预测支持，有助于加速氨作为可持续燃料的实际应用进程。未来研究可将这些经验证的预测工具与详细的反应动力学模型进行更广泛的基准测试，并最终将其嵌入计算流体动力学（CFD）框架，以实现高效、大规模的发动机燃烧模拟。