《Environmental Technology & Innovation》:Optimising zero-carbon internal combustion: A review of RSM and hybrid modelling for mitigating N2O and CO2 -equivalent emissions in H2 and NH3 engines
编辑推荐:
交通运输的去碳化需要内燃机(ICE)向氢气(H2)和氨(NH3)转型。本综述批判性地评估了响应面方法(RSM)在优化无碳内燃机中的应用。值得注意的是,NH3发动机中存在严重的CO2–N2O排放权衡。由于N2O的全球变暖潜势是CO2的273倍,如果低温N2O路径
交通运输的去碳化需要内燃机(ICE)向氢气(H2)和氨(NH3)转型。本综述批判性地评估了响应面方法(RSM)在优化无碳内燃机中的应用。值得注意的是,NH3发动机中存在严重的CO2–N2O排放权衡。由于N2O的全球变暖潜势是CO2的273倍,如果低温N2O路径未受控制,用NH3替代柴油可使温室气体排放增加高达40%。这凸显了在RSM分析中明确纳入N2O的必要性。此外,混合RSM-人工智能(AI)框架表现出优于传统多项式模型的预测能力。最后,提出了一种燃料自适应路线图,以促进零碳内燃机的商业部署,重点关注两个关键技术路径:集成瞬态能力的数字孪生和应用混合建模实现实时动态排放控制。
- 1.
引言
全球气候危机推动能源与交通部门转型,交通运输业约占全球能源相关CO2排放的24%,面临严格的脱碳要求。内燃机(ICE)预计仍将是主要动力源,但必须转向零碳能源载体。氢气(H2)和氨(NH3)成为突出的零碳能源载体,但各自存在操作挑战:H2体积能量密度低,NH3燃烧惰性、火焰速度慢且产生未燃NH3滑失、氮氧化物(NOx)和一氧化二氮(N2O)等排放。协同NH3?H2双燃料燃烧可克服动力学限制,但产生NOx–NH3–N2O权衡。传统的单因素轮换(OFAT)方法不足以表征高阶相互作用,因此响应面方法(RSM)成为关键统计优化框架。尽管关于NH3和H2燃烧的研究迅速增加,但RSM在这些发动机中的应用仍然有限且分散,缺乏系统综述。本综述批判性地评估了H2和NH3的动力学约束如何影响RSM设计、混合AI框架和多目标校准策略的选择,特别强调预测和减轻氮基排放,尤其是NOx–N2O–NH3滑失权衡。
- 2.
方法论框架:实验设计(DoE)与RSM
RSM是一组用于多变量系统中经验建模和过程优化的数学和统计技术。本节介绍RSM的方法论基础,包括常用的DoE策略、统计验证程序以及使用满意度函数进行多目标优化。RSM将响应变量近似为编码独立变量的多项式函数,一阶模型用于初始筛选,二阶(二次)多项式模型用于捕捉非线性燃烧过程中的主效应、交互效应和曲率。五步RSM框架包括因子选择与实验设计、方差分析(ANOVA)和残差诊断进行模型验证,以及基于满意度的多目标优化。中心复合设计(CCD)和Box-Behnken设计(BBD)是两种主要的二阶响应面设计。CCD包含阶乘核心、轴向点和中心点,适合H2燃料系统宽范围探索,但轴向点可能超出安全极限;BBD将实验运行置于因子空间边缘中点,避免极端角点组合,更适合NH3和NH3–H2双燃料系统,因其燃烧窗口窄且安全要求高。此外,D最优设计适用于不规则可行域。模型开发后通过最小二乘回归估计系数,并使用ANOVA、R2、调整R2和残差诊断进行统计验证。多目标优化通过满意度函数将各响应转化为0到1的满意度,再聚合成复合满意度(D),以平衡制动热效率(BTE)、NOx、N2O、NH3滑失等冲突目标。
- 3.
无碳燃料的物理化学性质与燃烧特性
优化H2和NH3发动机取决于理解其燃烧动力学和性质与传统碳氢燃料的差异。H2具有高质量能量密度但体积能量密度极低,需高压或低温储存,其宽可燃极限(?=0.1–7.1)和高层流火焰速度利于超稀薄燃烧,但易导致回火、爆震和早燃。NH3体积能量密度优于高压H2,但自燃温度高(651°C)、火焰速度极慢(约0.07 m/s),需高能点火或引燃燃料,且产生复杂的氮排放权衡:热NOx和燃料NOx,以及低温下形成的N2O(GWP100为273倍CO2当量)。NH3–H2双燃料通过化学动力学促进和热调节产生协同效应:H2提供自由基加速NH3氧化,NH3作为热调节剂降低峰值温度抑制NOx,最佳氢能量分数(HEF)约为10–30%,可扩大稳定运行窗口。比较而言,H2发动机优化侧重超稀薄和推迟点火,NH3发动机需高压缩比和引燃,双燃料则需平衡HEF与点火正时。
- 4.
无碳燃料内燃机中的RSM应用
RSM在H2燃料发动机中主要用于处理宽可燃限下的强非线性BTE–NOx权衡,进气道喷射(PFI)和直喷(DI)策略各有优化重点,关键参数包括当量比、点火正时(IT)、压缩比(CR),推荐超稀薄(?=0.20–0.40)和中等HEF(10–20%)。NH3燃料发动机面临NH3滑失、NOx和N2O的三维权衡,BBD是首选DoE以避免失火,优化变量包括氨能量分数(AEF)、喷油压力(IP)、喷油正时(IT)和废气再循环(EGR)。研究表明,优化IT和IP可降低NH3滑失但可能增加NOx,而N2O在低温边界区域形成,必须通过RSM联合优化EGR和燃烧相位来控制CO2当量排放,否则NH3替代可能增加总温室气体足迹达40%。NH3–H2双燃料燃烧的RSM优化揭示了HEF与IT、CR的强交互作用,适度HEF(10–20%)可非线性提高火焰速度并减少循环变动,但需针对不同负载和架构确定约束依赖的最优范围。混合RSM-数据驱动方法(如RSM–NSGA-II、RSM–人工神经网络(ANN))能更好捕捉突变阈值,但需注意过拟合和泛化能力。当前研究空白包括瞬态工况优化缺失、N2O常未被纳入响应、以及缺乏多缸发动机和实际驾驶循环验证。
- 5.
结论与未来研究方向
RSM设计选择严格由燃料物理化学约束决定:CCD适合H2宽范围探索,BBD适合NH3避免极端工况。H2直喷超稀薄可达37–43% BTE,NH3双燃料最佳AEF为20–30%时BTE为34–38.3%。NH3燃烧引入三维排放权衡,N2O必须作为强制响应变量。混合RSM-AI框架(如RSM-ANN、RSM–NSGA-II)是前沿,但其可靠性依赖数据质量和独立验证。未来研究应转向瞬态数字孪生、实时模型预测控制、标准化混合模型基准测试、多保真度CFD–RSM硬件优化,以及整合技术经济分析和生命周期评估。总之,RSM结合机器学习为多目标优化零碳内燃机提供了强大工具,需进一步推进标准化实验协议和工业验证。