铜与铝在生物柴油及柴油燃料中相容性的人工神经网络（Artificial Neural Network, ANN）建模研究

《Next Energy》：Neural network modelling of copper and aluminium compatibility with biodiesel and diesel fuels

　　

研究人员建立了基于人工神经网络（Artificial Neural Network, ANN）的预测模型，利用已发表的实验数据集预测铜和铝在生物柴油-柴油燃料中的腐蚀速率（Corrosion Rate, CR），以期减少额外实验设计需求、节约资源并加速生物柴油共混配方优化，服务于车辆燃油输送系统的应用评估。模型选取九个输入变量，包括金属类型、生物柴油掺混比、脂肪酸组成（饱和、单不饱和及多不饱和脂肪酸甲酯 Fatty Acid Methyl Esters, FAME）、总酸值（Total Acid Number, TAN）、温度及浸泡时间（Immersion Time, IT）。采用贝叶斯正则化（Bayesian Regularisation）算法训练具有8–8–1结构的ANN，训练集整体相关系数（Correlation Coefficient, R）达0.8993，均方误差（Mean Squared Error, MSE）为0.006814 mpy（密耳/年，mil per year）。灵敏度分析表明，不饱和脂肪酸甲酯含量、暴露时长、温度、TAN及金属成分是影响铜和铝在生物柴油-柴油共混液中腐蚀速率的关键因素。通过将机器学习应用于汇总文献数据，本研究展示了一种不依赖长时间浸泡实验来评估车辆燃油输送系统金属腐蚀速率的替代方法。研究结果表明，ANN能够建模并预测金属腐蚀速率，可作为实用高效的工具支持生物柴油应用中的腐蚀评估与材料选择。

《Next Energy》刊载论文解读：铜与铝在生物柴油及柴油燃料中相容性的ANN建模研究

一、研究背景与意义

生物柴油（Biodiesel）作为可再生替代燃料可由动植物油脂经酯交换反应生成脂肪酸甲酯（Fatty Acid Methyl Esters, FAME）制得，具有可生物降解、低硫及减排优势，但其含氧及不饱和FAME易氧化生成过氧化物与有机酸，使总酸值（Total Acid Number, TAN）升高，加剧燃油输送系统中铜（Cu）与铝（Al）等金属的腐蚀，尤其在高掺混比（B100）或含水乳液中更为显著。传统浸泡与电化学腐蚀测试耗时耗资，难以应对不断新增的生物柴油原料与配方优化需求。现有机器学习在金属–生物柴油腐蚀体系中的预测与灵敏度分析研究仍较有限。为此，Tayo-Alabi等研究人员收集已发表铜、铝在生物柴油–柴油共混燃料中的腐蚀实验数据，构建人工神经网络（Artificial Neural Network, ANN）预测模型并进行灵敏度分析，以低成本、快速地评估材料适用性与腐蚀风险，辅助生物柴油配方优化与材料选型。

二、主要关键技术方法

研究人员从已发表文献中提取91组铜与铝在生物柴油–柴油共混液中的腐蚀速率数据集，涵盖金属类型、柴油掺混比、饱和/单不饱和/多不饱和FAME百分含量、TAN（mg KOH/g）、温度（°C）及浸泡时间IT（h）共9个特征变量，腐蚀速率按ASTM G1标准化为mpy单位。输入变量经Min–Max归一化至[0.1, 0.9]，数据集按80%训练、20%测试划分，并采用蒙特卡洛交叉验证（Monte-Carlo Cross-Validation, MCCV）重复29次随机切分以评估稳健性。ANN选用8输入–8隐层神经元–1输出（8–8–1）结构，隐层传递函数为双曲正切Sigmoid，输出层为线性函数，采用贝叶斯正则化反向传播（Bayesian Regularisation Backpropagation）算法训练。模型性能以MSE、RMSE及决定系数R2评价；输入变量重要性通过随机森林回归（Random Forest Regressor）特征排序初评，并采用Garson权重法做ANN灵敏度分析。

三、研究结果

3. 数据集分布与统计特征（Results—Histogram and Statistics）

研究人员对91组样本的直方图与描述性统计显示：金属成分为纯Cu（100%）与纯Al（0%）的双峰分布；生物柴油掺混比呈多峰分散；饱和FAME（S_BC）与多不饱和FAME（PU_BC）右偏，单不饱和FAME（MU_BC）较分散；TAN右偏且多数较低（均值0.34 mg KOH/g）；温度呈离散多峰；IT跨度24–3360 h；腐蚀速率CR均值0.26 mpy、正偏（大部分<0.37 mpy，最高1.13 mpy），表明严重腐蚀样本较少。Pearson线性相关显示金属类型与CR相关系数为0.37（最高），FAME组分、TAN及温度呈弱正相关，提示存在显著非线性关系，适合ANN建模。

3. 特征重要性初步评估（Results—Random Forest Feature Importance）

随机森林回归特征重要性评分表明：TAN影响最大（0.227），其次为温度（0.172）、MU_BC（0.150）、S_BC（0.134）、金属类型（0.104）、IT（0.0945）、柴油掺混比（0.0594）及PU_BC（0.0583），说明酸值与温度升高明显促进腐蚀。

3.1 模型开发与评估（3.1. Model development and evaluation）

研究人员经试错确定最佳隐层神经元数为8，建立8–8–1 ANN架构。经29次MCCV，训练集平均R2=0.8993±0.04177、MSE=0.006814±0.002697 mpy、RMSE=0.08017±0.02002 mpy；测试集平均R2=0.7122±0.05721、MSE=0.01993±0.00698 mpy、RMSE=0.1391±0.02474 mpy。整体预测vs实测R2=0.8444，MSE=0.0102 mpy，RMSE=0.1009 mpy。散点图大部分点靠近等值线，低腐蚀区（<0.2 mpy）残差较小，高腐蚀区因样本少略有低估。训练与测试误差差距较小，表明模型泛化能力较好、过拟合受控。

3.2 灵敏度分析（3.2. Sensitivity analysis）

Garson算法灵敏度分析显示：FAME组成总贡献约32%（其中不饱和FAME占18%，影响最强），浸泡时间IT次之，随后为温度、TAN及金属类型（13%）。高不饱和FAME易氧化产酸从而增腐；Cu可催化FAME氧化加速腐蚀产物生成，Al在强酸或高不饱和体系中亦受影响。说明燃料化学组成（尤不饱和FAME）、暴露时间及金属本质是控制腐蚀的主因。

四、结论与讨论总结

研究人员得出结论：

(1) 基于文献汇编的91组数据集成功建立铜、铝在生物柴油–柴油中共混腐蚀速率的ANN预测模型，输入变量含金属类型、柴油比例、饱和/单不饱和/多不饱和FAME、TAN、温度及浸泡时间IT。

(2) 选用8–8–1结构ANN并以贝叶斯正则化算法训练，表现出稳定学习与良好预测能力。

(3) ANN整体R2=0.8444、MSE=0.0102 mpy、RMSE=0.1009 mpy，可较准确预测不同共混条件下的腐蚀趋势。

(4) 预测值与实验值总体吻合较好，高腐蚀区偏差略大。

(5) 灵敏度分析表明FAME组成（尤其是不饱和脂肪酸甲酯，占FAME影响中的18%）、温度、金属成分及IT为最主要影响因素。

未来可通过扩大数据集、纳入更多燃料属性及采用更先进机器学习算法提升高腐蚀速率区预测精度。该研究证明ANN可作为生物柴油应用中金属腐蚀评估与材料选择的实用高效工具。