《Fuel》：Non-equilibrium exergy analysis and artificial neural network prediction for ammonia-diesel dual-fuel combustion: Strategies for minimizing exergy loss
編輯推薦：
針對氨 - 柴油雙燃料（ADDF）燃燒中火用損失問題，研究人員構建非平衡熱力學框架并結合人工神經網絡。發現縮短低溫燃燒階段是關鍵，優化初始壓力、氧濃度等參數可降低總火用損失至 18.9%，MLPC-GA-BP 模型預測精度高，為氨高效利用提供理論依據。
隨著全球氣候變暖加劇，航運業作為溫室氣體（GHG）排放的重要來源，急需向碳中和能源結構轉型。氨因零碳排放、抗爆性好等優勢成為極具潛力的替代燃料，但其高自燃溫度、窄可燃極限和慢火焰速度等特性，導致純氨難以有效利用，氨 - 柴油雙燃料（ADDF）燃燒雖能改善燃燒特性，但燃燒過程中的火用損失（Exergy Loss，能量中無法轉化為功的部分）會降低燃料做功潛力，制約熱效率提升�，F有研究多基于熵增計算火用損失，未深入探究具體來源及反應路徑，且針對 ADDF 火用損失的研究尚不充分，因此亟需深入分析其火用損失機制并開發高效預測方法。
為解決上述問題，國內研究人員開展了氨 - 柴油雙燃料燃燒的非平衡火用分析及人工神經網絡預測研究，相關成果發表在《Fuel》。
研究主要采用以下關鍵技術方法：構建基于非平衡熱力學的火用分析模型，計算燃燒過程中各化學反應的火用損失；設計絕熱恒容均質反應器模擬 ADDF 燃燒過程，設定初始溫度（Tin）、初始壓力（Pin）、等效比（ER）、氨能量比（RAE）、氧濃度（[O2]）等邊界條件；開發 MLPC-GA-BP 人工神經網絡（ANN）模型，結合遺傳算法（GA）優化反向傳播（BP）神經網絡參數，實現火用損失的精準預測。
火用損失模型
研究建立 ADDF 火用分析模型，以燃料化學火用（Exfuel）為基礎，通過公式 Exfuel=∑Ni(μi-μi,0) 計算，其中 Ni為物質的量，μi和 μi,0分別為 i 物質的化學勢和標準態化學勢。該模型可精確量化各化學反應的火用損失，為分析提供理論基礎。
火用損失（Exloss）特征
在絕熱恒容均質反應器中，分析 ADDF 燃燒的火用損失來源。結果表明，低溫燃燒階段火用 - 熱比值較高，縮短該階段是最小化火用損失的關鍵。初始溫度、初始壓力、等效比和氧濃度顯著影響不可逆火用損失和不完全火用損失，進而影響總火用損失（Extot）。優化條件（初始壓力 16.5 MPa、氧濃度 15%、氨能量比 80%）下，總火用損失可降至 18.9%。
MLPC-GA-BP-ANN 模型
針對三維火用分析的計算復雜性，開發 MLPC-GA-BP 神經網絡模型。該模型通過多層感知器（MLPC）結合遺傳算法優化 BP 網絡，對不同工況下的火用損失特征進行預測，不可逆火用損失預測的 R2達 0.9991，不完全火用損失預測的 R2達 0.9986，展現出卓越的預測精度，為三維擴展應用奠定基礎。
優化策略與效率提升
提出貧燃、熱障涂層和廢氣再循環（EGR）的混合優化策略。在極端壓縮比下，該策略使第二定律效率達 67.1%，火用損失最小化至 14.5%，顯著提升燃料做功潛力和燃燒效率。
研究結論表明，ADDF 燃燒中火用損失主要源于化學反應過程，縮短低溫燃燒階段、優化邊界條件可有效降低火用損失。MLPC-GA-BP 模型為火用損失預測提供了高效工具，混合優化策略顯著提升了燃燒效率和第二定律效率。該研究不僅揭示了 ADDF 燃燒的火用損失機制，還為氨燃料在發動機中的高效利用提供了理論支撐和優化路徑，對航運業實現碳中和目標具有重要意義，同時為燃燒火用優化領域提供了跨學科研究方法參考。
