基于直接动力学建模的多目标氢燃烧机制优化：在内燃机中的应用

《Fuel》：Multi-objective optimisation of a hydrogen combustion mechanism with direct kinetic modelling: application to combustion engines

氢气燃烧化学机制通过多目标粒子群优化与HPC平台结合，显著提升点火起始预测精度（nRMSE降低35%，符合实验误差比例提高19%），验证了动态条件下稳态数据不足的问题，提出需纳入瞬态燃烧数据优化机制。

　　氢气燃烧被认为是实现难以减排领域脱碳的关键技术之一。这些领域包括交通运输、工业加热和电力生产等，它们在减少温室气体排放方面面临较大挑战。氢气作为一种无碳燃料，具有清洁燃烧和良好的可再生能源兼容性，因此在推动全球能源转型方面备受关注。然而，氢气燃烧技术的实际应用，如氢内燃机、燃气轮机和工业燃烧器，需要高度准确且可靠的燃烧模型。这些模型对于系统设计、性能优化、排放控制和安全保障至关重要，尤其是在多种操作条件下。其中，氢气燃烧化学机制是模型的核心组成部分，它决定了基础反应路径，影响着点火行为和污染物如氮氧化物（NOx）的生成。因此，氢气化学动力学机制的精确性和预测能力对于未来能源系统的模拟和优化具有决定性意义。

在过去的几十年中，研究人员已经开发了多种氢气燃烧化学机制，这些机制用于模拟不同热化学条件下的燃烧过程。随着技术的发展，自动机制生成和简化方法也逐渐被引入，这些方法具有良好的可扩展性，并能整合来自广泛化学空间的详细反应路径，同时减少人为错误。这些方法的关键在于对反应速率参数的准确表征，特别是在与实际能源系统相关的条件下。反应速率参数通常通过实验测量或基于量子化学、反应速率理论或过渡态理论的理论计算得出，但这些参数本身也存在一定的不确定性。这些不确定性可能会在燃烧模拟过程中传播，影响预测结果的可靠性，从而对应用能源技术的设计和运行产生不利影响。

为了提高预测精度，研究人员通常采用两种方法：第一种是局部优化方法，其中参数调整依赖于专家判断。这种方法虽然快速且方便，但容易受到作者主观判断的影响，可能导致参数集合既不一致也不具有广泛适用性。因此，使用这种方法得到的机制可能在某些数据集上表现良好，但在更广泛的操作条件下缺乏鲁棒性。第二种方法将机制开发视为一个正式的优化问题，利用算法和优化框架系统地调整动力学参数，以最小化模型预测与实验数据之间的偏差。这种方法通过优化算法探索反应速率参数的不确定性超空间，从而减少专家指导带来的主观性。因此，这种方法能够开发出更具普适性和物理一致性的机制，适用于各种热化学条件。然而，这种方法在计算上可能较为昂贵，尤其是在优化过程中需要对每个候选解进行完整的化学动力学模拟。

为了降低优化过程的计算负担，许多研究采用“解映射”方法，基于二次方程（即“响应面”）生成多项式代理模型。这些响应面替代了完整的实验数据模拟，从而加快了机制优化的进程，但可能无法准确捕捉复杂的、多模态的燃烧行为，导致拟合误差并限制预测精度。尽管存在这些潜在误差，响应面方法已被整合到一些框架中，如边界到边界数据协作（B2B-DC）框架和不确定性量化与最小化使用多项式混沌展开（MUM-PCE）方法，以开发化学动力学模型。这些框架处理了反应速率常数和燃烧属性测量中的不确定性。此外，研究人员也尝试将完整的化学动力学模拟与启发式方法如进化算法、自适应遗传算法、精英遗传算法和粒子群优化（PSO）相结合。然而，这些方法的直接应用并未解决动力学参数本身的不确定性问题，且计算成本较高，例如Elliot及其合作者报告称，仅使用五个层流火焰速度（LFS）数据点进行机制优化就需要单个处理器核心运行五天。

为了克服现有优化策略的局限性，本文提出了一种全新的化学动力学机制开发方法，该方法利用多目标优化（MOO）在高性能计算（HPC）平台上进行。多目标优化在燃烧系统优化中被证明是一种强大的工具，它能够在复杂的参数空间中平衡多个目标，例如在内燃机性能优化、燃气轮机发电优化和工业燃烧器优化中都有应用。虽然化学动力学机制控制着这些系统中的关键燃烧过程，但在特定应用中并未进行全面的机制优化，这影响了预测燃烧性能的准确性。因此，本文提出的框架引入了三项创新且协同的改进，使其与传统方法相比具有显著优势，并大幅提升了化学动力学机制在实际应用中的预测能力：（i）使用多目标粒子群优化（MOPSO）来同时平衡不同热化学条件下数据集的准确性和一致性；（ii）通过保留所有实验数据点并将其偏差直接纳入优化目标来处理不确定性；（iii）在HPC平台上进行完整的化学动力学模拟，以确保所有候选解的模拟结果准确无误。这是首次将这三个要素结合起来，建立了一种新的、数据丰富的机制优化方法，突破了传统单目标公式、固定边界筛选或基于响应面的近似方法的局限。

本文的工作提出了一个新的化学动力学机制优化框架，该框架包含两个目标函数：一是最大化模型在实验数据不确定性范围内的预测数据点数量；二是最小化预测值与实验值之间的归一化均方根误差（nRMSE）。该框架利用MOPSO算法探索不确定性超空间，并通过HPC设施处理完整的化学动力学模拟。为了展示新方法的潜力，该框架被应用于一个新构建的H2-NOx机制，并使用了涵盖广泛热化学条件的大量实验数据集。共使用了118个基础燃烧数据集，包含1695个数据点。MOPSO算法较低的计算负担使得优化可以在不依赖代理模型的情况下进行，从而消除了由解映射方法引入的任何误差。为了进一步验证优化后的机制，它被应用于模拟二次实验发动机数据，这些数据来自在均质充量压缩点火（HCCI）模式下运行的协作燃料研究（CFR）F1/F2发动机，在稀薄条件下进行操作。

本文的结构如下：第2节介绍了新的化学动力学机制优化框架。第3节描述了新构建的H2-NOx机制的组装过程，以及随后的敏感性分析，以识别需要优化的关键反应。第4节展示了该框架在优化机制中的应用，接着是优化结果和优化后的动力学机制与现有机制的比较，这在第5节中进行。第6节展示了流量分析结果，识别了在低温和中等压力下驱动优化机制预测行为的关键因素。第7节展示了机制对实验发动机数据的验证，这些数据未参与优化过程。第8节总结了本文的主要内容。

该优化框架基于多目标粒子群优化（MOPSO）算法，该算法在高性能计算（HPC）平台上运行。该框架的目标函数旨在最大化模型在实验数据不确定性范围内的预测数据点数量，同时最小化整个数据集中模型预测与实验数据之间的误差。MOPSO算法相较于之前使用的遗传算法等方法，具有显著更低的计算成本，同时能有效探索帕累托前沿。例如，在优化过程中，MOPSO算法能够在较短时间内找到多个局部最优解，并通过进一步的筛选过程聚焦于最佳候选解。这种方法不仅提高了机制的预测精度，还增强了其在不同热化学条件下的适用性。

在机制组装过程中，使用了最新的、广泛接受的反应速率常数的名义值来构建新的H2-NOx化学动力学机制。NOx化学部分采用了XJTUNO-2021机制中的氮化学子集作为起点，该子集被发现能够最佳拟合H2-NOx实验数据。因此，在本研究中，XJTUNO-2021被用作基准机制进行比较。在机制组装过程中，收集了所有反应速率常数的不确定性，并对这些参数进行了系统性评估，以确保其在不同条件下的适用性。此外，该框架还通过全面的化学动力学模拟来验证机制的预测能力，这使得机制能够在各种热化学条件下准确反映燃烧行为。

为了进一步验证优化后的机制，它被应用于模拟来自协作燃料研究（CFR）F1/F2发动机的二次实验数据，这些数据在均质充量压缩点火（HCCI）模式下运行，并在稀薄条件下进行操作。通过比较优化后的机制与现有机制在这些实验条件下的表现，可以评估其在实际应用中的有效性。结果表明，优化后的机制在预测点火时间方面具有显著改进，尤其是在涉及氮氧化物的实验数据中。然而，总体的点火预测精度仍然不足以满足实际应用的需求，这表明稳态数据集未能充分反映瞬态发动机条件。这些发现强调，即使基于基础实验数据完全优化的机制，也无法在真实、瞬态条件下提供高精度的预测，因此，建议在未来化学机制的开发中整合瞬态燃烧数据。

在本研究中，提出的框架通过结合多目标优化、全面的实验数据处理和完整的化学动力学模拟，实现了对氢气燃烧化学机制的高效优化。该框架在不同热化学条件下能够平衡准确性和一致性，同时考虑实验数据的不确定性，从而提高机制的预测能力。此外，该框架能够在不依赖代理模型的情况下进行优化，从而避免了由解映射方法引入的误差。这些改进使得机制在不同操作条件下具有更高的鲁棒性和适用性，为未来能源系统的模拟和优化提供了更可靠的工具。

通过实验验证，优化后的机制在预测点火时间方面表现出显著改进，尤其是在涉及氮氧化物的实验数据中。然而，整体的点火预测精度仍然不足以满足实际应用的需求，这表明稳态数据集未能充分反映瞬态发动机条件。这些发现表明，即使基于基础实验数据完全优化的机制，也无法在真实、瞬态条件下提供高精度的预测，因此，建议在未来化学机制的开发中整合瞬态燃烧数据。这不仅能够提高机制的预测能力，还能增强其在实际应用中的适用性。

综上所述，本文提出了一种全新的化学动力学机制优化框架，该框架基于多目标粒子群优化（MOPSO）算法，并结合了完整的化学动力学模拟和全面的实验数据处理。该框架在不同热化学条件下能够平衡准确性和一致性，同时考虑实验数据的不确定性，从而提高机制的预测能力。此外，该框架能够在不依赖代理模型的情况下进行优化，从而避免了由解映射方法引入的误差。这些改进使得机制在不同操作条件下具有更高的鲁棒性和适用性，为未来能源系统的模拟和优化提供了更可靠的工具。本文的研究成果表明，氢气燃烧化学机制的优化需要综合考虑多个目标，并结合完整的实验数据和模拟方法，以确保其在实际应用中的准确性。这不仅对氢气燃烧技术的发展具有重要意义，也为其他清洁能源技术的模拟和优化提供了借鉴。