全球交通運輸領域對柴油發動機的依賴與化石燃料資源枯竭的矛盾日益尖銳，而傳統柴油燃燒產生的大量氮氧化物(NO_x)和顆粒物排放更是加劇了環境惡化。盡管生物柴油因其可再生性和低碳特性被視為理想替代品，但如何平衡其熱效率提升與排放控制仍存在技術瓶頸。尤其廢食用油生物柴油(WCO)雖能解決"食物-燃料"爭議，但高游離脂肪酸含量導致的燃燒不穩定性，以及不同混合比例、噴射壓力對發動機性能的非線性影響，亟需建立精準的預測-優化體系。

土耳其恰恩克勒卡萊克大學的研究團隊在《BMC Chemistry》發表的研究中，首次將神經進化強化學習(NEORL)框架引入發動機優化領域。通過整合響應面法(RSM)、人工神經網絡(ANN)與兩種新型智能算法——基于Kronecker因子信任域的差分進化算法(ACKTR-DE)和哈里斯鷹優化算法(HHO)，構建了多目標優化模型。實驗采用單缸柴油機測試0%/50%/100%生物柴油混合燃料在不同噴射壓力(180-240 bar)和負載(3.06-12.26 Nm)下的性能參數，最終驗證該模型可將制動熱效率(BTE)提升至26.029%，同時實現NO_x=428.111 ppm、HC=9.999 ppm的超低排放。

關鍵技術方法包括：1) 采用RSM構建二次回歸模型分析噴射壓力、扭矩與生物柴油比例的交互作用；2) 建立15神經元ANN模型預測BTE、SFC等7項指標；3) 通過ACKTR-DE算法融合強化學習與差分進化策略；4) 應用HHO算法模擬鷹群捕食行為進行參數尋優；5) 基于ISO 8178標準進行排放檢測驗證。

RSM結果
通過三維響應面分析揭示：100%生物柴油在180 bar噴射壓力下BTE達峰值27.1%，歸因于其富氧特性促進完全燃燒。但噴射壓力超過220 bar會導致燃油過霧化，反而使比油耗(SFC)升高至402 g/kWh。NO_x排放呈現典型"雙刃劍"效應——生物柴油的富氧特性雖降低CO/HC排放達45%，卻使NO_x增加54%，符合Zeldovich熱力學機制。

ANN結果
構建的神經網絡模型對EGT預測精度最高(R²=0.992)，煙霧排放預測相對較弱(R²=0.910)。采用Levenberg-Marquardt算法訓練的模型整體MSE低于0.497%，其中BTE預測值與實驗數據誤差僅0.25%，證明ANN在非線性系統建模中的優越性。

優化算法對比
HHO算法在綜合性能上超越ACKTR-DE，其優化的BTE達27.2183%，同時將CO排放控制在0.0822%。但ACKTR-DE在NO_x控制(295.91 ppm)方面略優，反映不同算法在帕累托前沿上的特異性分布。

研究結論表明，廢食用油生物柴油在100%摻混比例下，配合180 bar噴射壓力與中等負載(3.846 Nm)可實現"效率-排放"雙優解。該成果的創新性體現在：1) 首次將NEORL框架應用于發動機優化；2) 實驗驗證了智能算法與傳統統計模型的互補性；3) 為廢棄油脂資源化提供工程化解決方案。討論部分指出，未來研究可結合EGR技術進一步解決NO_x悖論，并通過分子動力學模擬揭示生物柴油納米尺度燃燒機制。