隨著全球能源需求增長和環境問題加劇，尋找石油衍生品的替代品成為迫切需求。巴西作為可再生能源利用的領先者，其48%的能源矩陣來自可再生資源，生物燃料如生物柴油、乙醇和丁醇因此備受關注。然而，這些燃料的安全使用需要準確評估其閃點(Flash Point, FP)——即液體蒸氣與空氣形成可燃混合物的最低溫度。傳統FP測定方法不僅耗時耗力，且現有預測模型如Liaw模型依賴精確的組分數據，難以應對復雜混合物。更棘手的是，生物燃料常含有未報告的污染物（如甘油、脂肪酸），進一步增加了預測難度。

為突破這些限制，來自巴西的研究團隊在《Fluid Phase Equilibria》發表研究，首次將人工神經網絡(Artificial Neural Networks, ANNs)應用于生物燃料混合物的FP預測。研究整合了490個數據點（包括24個新測的丁醇與脂肪酸乙酯FAEEs混合物數據），通過5折交叉驗證和80/20數據劃分，構建了以平均摩爾質量、蒸氣壓自然對數和實驗方法為輸入特征的ANN模型。最終模型采用三層隱藏層結構，在98個未知樣本上表現出色：RMSE為4.22 K，MAE為3.09 K，精度與UNIFAC熱力學模型相當，且對缺乏詳細組分信息的混合物更具適應性。

關鍵技術包括：1) 使用Miniflash FLPH分析儀（精度±1.9 K）測量FP；2) 采用5折交叉驗證優化模型；3) 結合結構描述符（如分子量）替代傳統QSPR分子描述符；4) 通過參數分析確定隱藏層數。

Material
研究選用高純度FAEEs和1-丁醇（Sigma-Aldrich）制備二元混合物，精確稱重（±0.1 mg）以確保數據可靠性。

Flash point measurements
通過閉杯法測定FP，儀器誤差控制在±1.9 K內，為模型提供高質量實驗數據。

Evaluation of neural networks model
模型測試集預測值與實驗值的散點圖顯示高度線性相關（R²>0.95），但對數據稀缺體系（如含丁醇混合物）預測誤差增大，提示數據平衡的重要性。

Conclusion
ANN模型在已知體系（如生物柴油）中表現優異，但數據覆蓋不足會影響預測。未來需擴充數據庫以提高泛化能力。研究開源了模型和訓練數據（github.com/ThermoPhase-FCSRG/fp-neural-net），為生物燃料安全設計提供新范式。

CRediT authorship contribution statement
第一作者Maurício Prado de Omena Souza負責模型構建與數據分析，通訊作者Antonio Marinho Barbosa Neto指導研究設計。團隊強調該工作無利益沖突，并感謝CAPES、CNPq等機構的資助。

這項研究的創新性在于將機器學習應用于生物燃料安全領域，克服了傳統模型對精確組分數據的依賴。盡管存在數據不平衡的局限，但其開源策略和跨學科方法為后續研究奠定了基礎，有望加速環保燃料的開發與應用。