宽泛操作条件下 C0-C2 可燃气体及其混合物的爆炸下限机器学习预测与分析

《Journal of Cleaner Production》:Machine learning prediction and analysis for LFL of C 0-C 2 combustible gases and blends under wide operating conditions

【字体: 大 中 小 】 时间:2026年08月28日 来源:Journal of Cleaner Production 10.7

编辑推荐:

   •C0–C2 机理能在广泛条件下准确预测 LBV。•增强型 LFL 模型提高了对低 Le 燃料的预测精度。•温度均匀降低 LFL,压力影响随燃料不同呈非线性变化。•ML-Le Chatelier 混合方法实现了准确高效的多组分 LFL 预测。Introduction全球能源转

  

•C0–C2 机理能在广泛条件下准确预测 LBV。•增强型 LFL 模型提高了对低 Le 燃料的预测精度。•温度均匀降低 LFL,压力影响随燃料不同呈非线性变化。•ML-Le Chatelier 混合方法实现了准确高效的多组分 LFL 预测。Introduction全球能源转型正推动向低/零碳燃料(如氢气和其他合成气体)的关键转变(Elbaz 等,2023;Meng 等,2023;Zhu 等,2026a,Zhu 等,2026b)。随着这些燃料的广泛应用,拥有可靠的安全参数以确保其安全处理和使用至关重要(Johnson 等,2025)。低可燃极限(LFL)定义了持续火焰传播所需的最低浓度。因此,准确预测 LFL 对于预防爆炸以及指导安全处理、储存和燃烧系统设计至关重要(Ma 等,2025)。目前,LFL 预测依赖于两种经典理论。热爆炸理论通过热平衡解释火焰传播和熄灭,而链式反应理论强调自由基化学。基于这些框架的数值预测方法包括计算绝热火焰温度(CAFT)和极限层流燃烧速度(LBV)。根据 Brooks 和 Crowl(2007)以及 Shebeko 等(2002)的研究,LFL 是基于 1200 K 和 1600 K 的 CAFT 阈值预测的。Liao 等(2005)和 Blint(1989)分别基于 5 cm/s 和 10 cm/s 的 LBV 估算了 LFL。使用上述判定标准获得的预测结果在所测试条件下与相应的实验数据吻合良好。然而,目前这些预测方法尚无统一标准。基于 LBV 的建模由 Liu 等(2025)(Song 和 Hu,2022;Wei 等,2022)推进;以考虑温度、压力和燃料组成,例如在 C3H8/O2/CO2、C2H6/O2/CO2 和 CH4/NH3 混合物中。然而,这种方法要求对每个组分单独进行熄灭速度计算。因此,计算复杂度显著增加。在早期研究中,Law 等(1988a)通过研究 CH4/air 和 C3H8/air 混合物的 LBV,表征了当量比与火焰拉伸率之间的关系,并发现 LFL 对应于绝热、无应变火焰的熄灭极限。Ju 等(1997)率先将辐射效应纳入熄灭极限分析,提出了火焰温度与拉伸率之间的 O 形关系,从而能够准确预测 CH4/air 混合物的 LFL。近年来,Egolfopoulos 等(2007)考察了 CH4/air 和 C3H8/air 混合物的 LFL,发现增加温度会降低 LFL,而 LFL 随压力增加先上升后下降。这种非单调的压力依赖性归因于主导链分支和终止途径的转变——从低压下的 H + O2 → OH + O 和 H + O2+ M → HO2 + M 转变为高压下的 HO2/H2O2 化学过程。Fang 等(2024)表明,辐射热损失和正火焰拉伸会延长对向流预混 NH3/air 火焰的 LFL,产生了反映辐射和拉伸诱导熄灭综合效应的 C 形熄灭曲线。基于这些研究,目前用于预测对向流预混火焰中 LFL 的模型通常假设在非绝热、应变控制条件下发生熄灭。此类模型能为刘易斯数(Le)接近 1 的可燃气体(如 CH4、NH3)提供可靠的预测(Egolfopoulos 等,2007;Fang 等,2024),但它们系统性地低估了氢气和其他刘易斯数低于 1 的混合物的 LFL。这种偏差源于忽视了热扩散效应,而这些效应在此类混合物中占主导地位并延迟熄灭。使用现有的包含辐射和火焰拉伸但省略相应热扩散修正的熄灭极限框架,Xie 和 Zhang(2025)研究了高压条件下 NH3 和 NH3/H2 混合物的熄灭极限。虽然氢气添加被证明可以延长 LFL,但该模型未能捕捉到高 H2 浓度下显著的热扩散效应,导致预测值与实验值之间存在显著偏差。Mendiburu 等(2023)提供了关于 LFL 的理论、实验和估算方法的更广泛视角,他们强调了熄灭极限与 LFL 之间的内在联系。他们指出,“火焰燃烧极限将受到混合物 Le、火焰拉伸和辐射的影响,所有这些耦合作用在一起。”在相关研究中,Farmahini Farahani 等(2024)研究了预混对向流配置中的振荡火焰行为,表明其对有效混合物刘易斯数、热辐射和应变率具有高度敏感性。虽然他们的工作侧重于热扩散不稳定性而不是 LFL 测定,但研究结果强化了这些耦合机制在火焰稳定性中起决定性作用,并应在 LFL 预测模型中明确考虑的观点。对于多组分混合物,勒夏特列原理作为预测 LFL 的经典基准(Mendiburu 等,2023;Qi 等,2022)。该原理估计混合物的 LFL 为各组分 LFL 的摩尔分数加权倒数之和的倒数,数学表达为:1/LFLmix=∑(yi/LFLi)。其中 yi 代表组分 i 的摩尔分数,LFLi 表示组分 i 的 LFL。这种公式假设理想的混合行为,并未考虑组分之间的相互作用或惰性气体的存在。Kondo 等(2008)对二元和三元燃料混合物的系统测量显示,与基于勒夏特列公式的预测吻合极佳——平均绝对偏差仅为 0.068 vol%,相对偏差为 1.21%。Mendiburu 等(2020)使用 272 个 LFL 和 217 个 UFL 数据集评估了该方法,报告的平均绝对相对误差为 2.76%,总体 R2 为 0.987。这些发现强调了勒夏特列原理在混合物预测中的实用性。然而,其准确性从根本上受到对准确单组分 LFL 输入值的依赖以及无法考虑温度和压力的耦合效应、传输特性变化或与混合物中低刘易斯数相关的热 - 扩散效应的限制。为了克服这些限制,需要更灵活的预测框架——能够从数据中学习复杂非线性依赖关系的方法。这激发了对数据驱动的机器学习(ML)方法日益增长的兴趣。近年来,数据驱动的 ML 在燃烧科学中受到了广泛关注(Adams 等,2020)。Xing 和 Jiang(2024)开发了氨和氨 - 氢燃烧的神经网络势能,表明 ML 辅助模型可以捕捉复杂的反应路径和污染物形成行为。Liu 等(2021)进一步表明,ML 可以为天然气发动机应用中的关键燃烧相关参数提供高效的代理预测。Xing 等(2025)提出了一种基于多目标优化的氨基可燃气体预测模型,为燃烧系统设计提供了新范式。尽管最近在低/零碳燃料的 LFL 预测方面取得了进展,但在实际运行条件下进行可靠的安全边界评估仍然具有挑战性。特别是,富氢混合物的受到低于 1 的 Leref 相关的热 - 扩散行为的强烈影响,而多组分可燃气体混合物需要准确处理组成、温度和压力效应。直接火焰模拟可以提供物理见解,但其高昂的计算成本限制了其在快速筛选和工程安全评估中的应用。这是因为 LFL 测定需要在拉伸诱导和辐射诱导熄灭分支上重复追踪熄灭边界,而不是进行单次火焰计算。为了应对这些挑战,本研究开发了一个用于 C0-C2 可燃气体及其混合物快速 LFL 预测的框架。首先构建 C0-C2 反应机理,为多种低碳可燃气体提供一致的动力学支持。然后通过结合基于 Leref 的稳定性修正来改进传统的对向流预混火焰模型,从而提高对富氢和其他 Leref < 1 的可燃气体混合物的预测精度。进一步结合动力学模拟、敏感性分析和符号回归来量化温度和压力的耦合效应。最后,将最优 ML 模型与勒夏特列原理相结合,将预测能力从单组分可燃气体扩展到数据需求减少的多组分混合物。该框架为低碳燃料混合物的安全边界预测提供了实用工具,并支持新兴能源燃料的安全储存、运输和利用。Section snippetsOverview of the research approach本研究的研究方法如图 1 所示。首先,开发并验证了详细的 C0-C2 化学动力学机理。接下来,利用了一种改进的对向流预混火焰 LFL 预测模型,该模型结合了基于 Leref 的修正并考虑了火焰拉伸和辐射效应。随后,该系统模型被系统地应用于验证各种单组分和多组分可燃气体的 LFL。接着,构建了单组分 LFL 的大型数据集Flame structure and radical species distribution图 4 展示了对向流预混火焰中近熄灭条件下各种可燃气体的火焰形态、非绝热火焰温度(NAFT)以及关键自由基(OH、O、H)浓度的系统分析。图 4 (a) 表明 C0–C1 可燃气体——如 NH3、H2、CH4、CH3OH 和 CO——表现出具有尖锐定义、狭窄反应区的单峰火焰结构。其中,H2 火焰表现出最低的 NAFT(~976 K),而 NH3 火焰达到Dataset construction and symbolic regression总共生成了 1100 个来自对向流预混火焰模拟的单组分案例。其中,360 个基准案例来自结构化的温度 - 压力网格,温度从 250 到 500 K,步长为 50 K,压力为 0.05、0.1、0.5、1.0、1.5 和 2.0 MPa。为了提高操作条件的多样性,使用拉丁超立方采样(LHS)生成了 740 个额外案例。在模型训练之前,保留了 100 个独立采样的案例作为Conclusions本研究开发了一个用于在广泛温度、压力和组成条件下快速预测 C0-C2 可燃气体及其混合物 LFL 的框架。该框架整合了 C0-C2 反应机理、Leref 修正的对向流预混火焰模型、温度 - 压力敏感性分析、符号回归以及结合勒夏特列原理的机器学习。主要结论如下:1. 一个涵盖十种可燃气体 (NH3、H2、CH4,C 的 C0–C2 机理CRediT authorship contribution statement张明坤:写作 – 初稿,方法论,调查。朱文超:写作 – 审阅与编辑,调查。沈丹:调查。孟祥宇:写作 – 审阅与编辑,概念化,资金获取。龙武强:资源。毕明书:资源。Declaration of competing interest作者声明他们没有任何已知的竞争性财务利益或个人关系可能影响本报告中的工作。Acknowledgements作者衷心感谢北京航空航天大学航空发动机研究院方若舟教授在模型开发和调试阶段的细致指导。方教授在模型验证和关键熄灭标准优化中提供了不可或缺的技术支持,这对本研究极具价值。作者真诚地感谢方教授慷慨分享见解和经验。这项工作得到了辽宁省Mingkun Zhang|Wenchao Zhu|Dan Shen|Xiangyu Meng|Wuqiang Long|Mingshu Bi
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号