掺硼、锂修饰的石墨烯层在氢储存技术中的应用

《International Journal of Hydrogen Energy》：Boron-doped, lithium-decorated graphene layer for hydrogen storage technologies

氨-汽油双燃料SI发动机多参数协同标定与优化研究。通过GT-Power模型验证及PSO-SVM代理模型训练，结合NSGA-II多目标优化，优化氨能比、EGR率、点火正时等五个变量，实现燃油消耗降低10.4%和NOx减排85.63%的Pareto最优解。

　　

杨伟伟|张庆锋|于英军|张丹阳|张学谦|于超杰

温州大学机电工程学院，中国温州，325035

摘要

氨-汽油双燃料火花点火（SI）发动机可以在保留现有SI硬件的同时降低碳强度，但其校准过程因强多参数耦合以及EGR稀释、稀薄条件下的BSFC-NO_x权衡而变得复杂。本文提出了一种仿真-替代模型-优化框架，以实现超越单参数研究的有效联合校准。一个1.5升三缸SI发动机的一维GT-Power模型通过汽油实验数据进行了验证，并通过SI-Turb重新校准扩展到了氨混合燃料的应用。利用500个D最优拉丁超立方样本，训练出了一个PSO优化的SVM替代模型来预测BSFC和NO_x?（热NO指标），其预测结果分别为BSFC: R² = 0.99961，MAPE = 0.089%（测试）和NO_x?: R² = 0.99977，MAPE = 0.696%（测试）。通过对五个变量（氨能量比、EGR率、点火正时、过量空气比和压缩比）进行NSGA-II优化，得到了一个帕累托前沿，其中BSFC的范围为266.09-279.79 g/(kW·h)，NO_x?的范围为360.6-1856.19 ppm，与基线值296.91 g/(kW·h)和2558.40 ppm相比，分别实现了高达10.40%的BSFC和85.63%的NO_x降低（模型预测）。最佳权衡主要受协调的稀释和燃烧相位控制，这些因素有助于降低峰值温度和氧气可用性。

引言

为了减少碳排放并最终实现碳中和交通，动力系统领域正在积极从化石燃料转向无碳或低碳能源载体。一个现实的短期途径是调整内燃机（ICE），使其能够在可持续替代燃料上运行，而不是完全取代ICE技术。在提出的替代燃料中，乙醇（C₂H₅OH）[1]、甲醇（CH₃OH）[2]、氢气（H₂）[3]和氨（NH₃）[4]引起了持续关注。除了燃料转换外，最近的研究还强调了低碳或接近零碳的硼基添加剂，如硼氢化钠、胺硼烷（包括氨硼烷）和甲基胺硼烷，作为改善火花点火汽油发动机燃烧和减少碳排放的有希望的方法[[5], [6], [7]]。

氢气是一种有吸引力的无碳燃料，因为它具有较高的层流火焰速度、宽的易燃性范围且没有含碳排放。然而，其低体积能量密度以及储存和运输方面的限制仍然是广泛采用的主要障碍[8]。相比之下，氨是一种氢载体，因为它具有较低的储存和运输成本、较高的能量密度以及成熟的合成方法[9,10]。然而，氨的火焰速度较低且含有较高的氮排放，这限制了其直接使用[11]。双燃料燃烧是一种有前景的方向，其中NH₃用于混合更活泼的燃料[12]。柴油[13,14]或正庚烷[15]可以用作 pilot 燃料。在火花点火（SI）发动机中，NH₃通常与氢气[16]、天然气[17]或汽油混合使用。随着混合动力电动汽车的日益普及，SI发动机倾向于在更狭窄且更可控的运行区域内工作，这为在明确条件下集成基于氨的双燃料操作提供了有利的机会。

尽管人们对氨-汽油双燃料SI发动机非常感兴趣，但相关研究仍然不够全面，不足以满足实际应用的需求。以往的研究主要集中在有限条件下的单个操作参数的影响。例如，Nonavinakere Vinod等人[18]观察到甲烷富集可以改善氨燃料并降低碳氢化合物排放，但会增加NO_x和CO₂的排放。Ding等人[19]表明，随着氨替代比的增加，燃烧时间变长，热效率提高，但NO_x降低，未燃烧的NH₃和N₂O增加。Wang等人[20]在氨能量比超过30%时表现不佳，而Liu等人[21]发现高NH₃会导致火焰和氮排放增加。Wu等人[22]优化了氨能量比和点火正时，他们发现15%的氨能量比可以与汽油相当高效，微调点火正时可以提高效率并控制NO_x排放。总体而言，这些工作证实了NH₃-汽油SI燃烧的技术可行性，但仍存在两个主要限制。首先是过度依赖单参数分析，这未能充分反映控制参数之间的强相互作用。其次是缺乏系统化的、以校准为导向的方法论，这些方法论能够明确解决多变量环境下的性能-排放权衡问题。此外，新兴的基于添加剂的策略，如硼基低碳添加剂，进一步拓宽了SI发动机脱碳的设计空间，并强调了需要系统化的多参数框架来量化耦合效应并解决性能-排放权衡问题。

与此同时，机器学习（ML）越来越多地应用于发动机研究，最初侧重于BSFC或单点排放等标量输出，以实现操作参数与关键性能或排放指标之间的快速映射，从而进行校准和控制。代表性研究表明，包括通过进化算法优化的神经网络在内的数据驱动模型，能够准确关联发动机操作参数（如EGR率、点火正时、负载和速度）与排放物（如CO、HC和NO_x），从而为校准导向的分析提供高效的替代模型[23]。最近，ML研究扩展到了预测高保真度的曲轴角分辨率燃烧变量，包括缸内压力轨迹和表观热释放率（HRR）。数据驱动框架已被提出用于在未测量的操作条件下重建完整的压力-曲轴角轨迹[24,25]，要么直接预测压力，要么通过估计HRR作为中间变量然后将其整合以恢复压力轨迹。为了提高鲁棒性和泛化能力，还探索了将物理约束嵌入学习过程的物理信息驱动和混合ML架构[26]。除了压力重建之外，ML还用于提取HRR特征或形状特征，以表征和控制燃烧模式，反映了向数据驱动的高分辨率燃烧响应解释的更广泛趋势[[27], [28], [29]]。虽然这些研究清楚地展示了ML表示复杂燃烧行为的能力，但它们通常是在预设操作输入下的预测任务。

然而，发动机校准本质上是一个闭环的多目标问题。效率和排放受到多个控制参数之间耦合的非线性相互作用的影响[30]。直接将NSGA-II或相关进化算法应用于基于物理的发动机模型的现有研究，随着设计空间维度的增加，计算成本可能会变得很高[31]。相比之下，替代模型辅助优化研究通常关注传统燃料、有限的变量集，或者没有在统一的多目标优化工作流中明确整合训练好的ML替代模型[32]。代表性的替代模型辅助进化框架，如基于LSTM的NSGA-II方法，表明将替代模型与NSGA-II结合可以显著加速帕累托最优解的搜索[33]。然而，对于氨-汽油SI操作，其中氨能量比、EGR率、混合强度、压缩比和点火正时之间存在强相互作用，一个集成的、以校准为导向的ML + NSGA-II框架仍然不够完善。

受上述差距的启发，本研究通过将PSO训练的SVM替代模型与NSGA-II结合，利用替代模型辅助进化优化，有效解决了高维发动机校准需求，从而高效地解决了耦合相互作用，并确定了氨-汽油SI操作的BSFC-NO_x帕累托最优解。具体来说，我们开发了一个经过汽油验证的一维GT-Power模型和一个校准过的氨混合设置，以生成用于替代模型建模和优化的物理一致训练数据。然后，我们对五个关键控制变量（即氨能量比、EGR率、点火正时、过量空气比和压缩比）进行了统一的多参数优化，以量化交互效应并获得与校准实践相关的帕累托最优操作策略。

章节片段

发动机设置

本研究使用了Gamma Technologies?（v2016，Gamma Technologies, LLC，美国伊利诺伊州Westmont）的GT-Suite作为主要仿真平台。使用GT-Power模块构建了一个一维发动机模型，以复制真实世界SI发动机的运行特性。该模型代表了一个直列三缸SI发动机，其关键技术规格详细列在表1中。

为了在GT-Power中捕捉氨-汽油双燃料SI操作，基线采用了汽油直喷（DI）

模型范围、关键假设和不确定性

本研究建立了一个用于带有EGR的氨-汽油双燃料SI发动机的仿真-替代模型-优化工作流程，旨在在规定的设计空间内识别BSFC和NO_x?之间的相对趋势和帕累托最优权衡。由于缺乏等效的氨-汽油台架测量数据，一维GT-Power模型是基于汽油实验进行验证的。因此，氨混合的结果应被视为基于仿真的预测

未来研究方向

在这项工作中，我们通过整合一维GT-Power模型、PSO-SVM替代模型和NSGA-II多目标优化，为带有EGR的氨-汽油双燃料SI发动机建立了一个仿真-替代模型-优化工作流程。主要结论如下：

• (1)
  开发了一个PSO-SVM替代模型，用于模拟高保真的GT-Power仿真并实现高效优化。该替代模型在两个目标上都达到了较高的测试集准确性，BSFC: R² = 0.99961，MAPE = 0.089% 和 NO_x?: R²

CRediT作者贡献声明

杨伟伟：撰写——原始草稿、验证、软件、方法论、概念化。张庆锋：撰写——审稿与编辑、监督、项目管理。于英军：正式分析、数据管理。张丹阳：可视化。张学谦：资源协调。于超杰：资源支持。

数据可用性声明

支持本研究发现的数据可向相应的作者张索取。

利益冲突声明

作者声明以下可能的财务利益/个人关系：张庆锋报告称获得了浙江省教育部门的科研经费支持。如果还有其他作者，他们声明没有已知的财务利益或个人关系可能构成利益冲突

致谢

本项工作得到了浙江省教育部门（授权号：Y202454590）和温州大学（授权号：JWSK2025062）的科研经费支持。作者们衷心感谢匿名审稿人的宝贵意见，这些意见显著提高了本手稿的质量。