人工神经网络建模与高压高温下2-(2-乙氧基乙氧基)乙醇+2-丙醇二元混合物实验动态粘度的VFT相关性研究

《Fuel》：Artificial neural network modeling and VFT correlation of experimental dynamic viscosity of the 2-(2-ethoxyethoxy)ethanol + 2-propanol binary mixtures at high pressures and temperatures

实验测定了2-(2-乙氧基乙氧基)乙醇与2-丙醇在高温（293.15-353.15 K）和高压（0.1-70 MPa）下的动态粘度，采用落球式和Ubbelohde粘度计。提出改进VFT方程及人工神经网络模型，有效描述粘度与组成、温度、压力的关系，验证模型可靠性，为燃料优化提供依据。

　　
该研究系统测定了2-(2-乙氧基乙氧基)乙醇与2-丙醇二元混合物在293.15 K至353.15 K、0.1 MPa至70 MPa条件下的动态粘度数据，并开发了基于VFT模型与人工神经网络的混合预测方法。实验采用Ubbelohde毛细管粘度计（常压）和下落球体粘度计（高压）两种设备，通过对比不同压力和温度下的测量值，建立了高精度粘度预测模型。研究还探讨了混合比例、温度和压力对粘度行为的影响规律，并验证了所提模型的工程适用性。

### 实验设计与方法
研究团队针对二元混合物的粘度特性展开系统性实验，具体方法包括：
1. **样品制备**：采用2-(2-乙氧基乙氧基)乙醇（CAS 111-90-0）和2-丙醇（CAS 67-63-0）作为原料，通过精确称量配制7种不同摩尔分数的混合物（x=0.000、0.100、0.150、0.200、0.325、0.500、0.675、0.845），确保组分误差小于5×10??。
2. **粘度测量**：
- **常压（0.1 MPa）**：使用Ubbelohde粘度计，温度控制精度±0.1 K，测量误差≤1%。
- **高压（0.1-70 MPa）**：采用改进的下落球体粘度计，通过磁感应计时装置记录球体下落时间。设备经过标定，使用n-癸烷作为标准物质，通过误差传递公式计算粘度不确定度，整体误差控制在±3%以内。
3. **数据验证**：通过统计学方法（Shapiro-Wilk正态性检验）验证实验数据的可靠性，并计算平均绝对偏差（AAD）、最大偏差（MD）等指标，确保数据质量。

### 粘度模型构建
研究提出两种模型方法：
1. **VFT模型改进**：
- 常压下采用经典VFT方程：η? = A exp(B/(T - C))
- 高压条件下扩展模型：η = A exp(B/(T - C)) + a?ΔP + a?(ΔP)2 + b?ΔP/(T - C) + b?(ΔP)2/(T - C) + b?(ΔP)3/(T - C)
- 通过最小二乘法拟合参数，各组分参数标准误差控制在0.05-0.02之间，模型与实验数据吻合度达97%以上。
2. **人工神经网络（ANN）模型**：
- 构建三层神经网络（输入层3个参数：温度、压力、摩尔分数；隐藏层19个神经元；输出层1个粘度值）
- 采用Levenberg-Marquardt优化算法，训练集占比70%，验证集15%，测试集15%
- 模型表现优异，测试集相关系数R达0.99989，平均绝对误差仅0.8057 mPa·s，验证了非线性拟合能力

### 关键发现
1. **粘度特性**：
- 纯2-丙醇在353.15 K、70 MPa时粘度最低（0.55 mPa·s），而纯2-(2-乙氧基乙氧基)乙醇在293.15 K、70 MPa时粘度最高（7.84 mPa·s）
- 混合体系粘度呈现非对称性：低摩尔分数时粘度随比例增加而降低，高比例时出现反跳现象（图4a）
- 压力影响显著：在353.15 K时，压力每增加10 MPa，粘度约提升8-12%
2. **混合规则**：
- 采用对数粘度偏差模型：Δlnη = x lnη? + (1-x) lnη? + Δlnη^
- 引入Redlich-Kister二次多项式修正混合偏差项，参数通过温度压力耦合拟合
- 模型验证显示，在0.1-70 MPa、293.15-353.15 K范围内，预测值与实验值的最大偏差不超过4.2%
3. **ANN模型优势**：
- 对训练数据拟合度达99.9%，测试集预测误差小于1.5%
- 模型成功捕捉粘度随温度、压力、组分的三维非线性关系
- 与VFT模型相比，ANN在复杂工况下的泛化能力更强（图7对比显示，ANN在高压条件下的偏差控制更优）

### 工程应用价值
1. **燃料优化**：
- 粘度数据为柴油燃料添加剂配比设计提供依据，例如在40 MPa下，添加30%的2-(2-乙氧基乙氧基)乙醇可使粘度降低18%-22%
- 模型预测显示，混合体系在300-350 K、50-70 MPa时的粘度行为与实际发动机工作条件高度吻合
2. **排放控制**：
- 实验数据表明，该混合体系在燃烧过程中可降低CO排放达40%-60%，同时减少NOx生成（与文献报道趋势一致）
- 模型验证了其在高压环境下的稳定性，为高压共轨喷射系统设计提供理论支撑
3. **工艺改进**：
- 提出的压力-温度-组分联合修正模型可减少实验验证次数达70%
- ANN模型在数据不足情况下仍能保持85%以上的预测精度

### 创新点总结
1. **首次覆盖宽温高压范围**：填补了该二元体系在293-353 K、0.1-70 MPa条件下粘度数据的空白
2. **混合规则创新**：将传统线性混合规则升级为包含温度压力耦合修正的多项式模型，解释了醚类分子空间位阻效应（降低分子运动自由度）与氢键破坏效应（增加分子间作用力）的竞争关系
3. **模型融合策略**：VFT物理模型与ANN数据驱动模型结合，实现理论机理与大数据分析的优势互补

### 局限与改进方向
1. **数据局限性**：当前测试压力上限为70 MPa，实际发动机瞬时峰值压力可达100 MPa，需进一步扩展验证
2. **模型泛化边界**：ANN模型在测试集外的预测误差（MD达6.38%）提示需增加在线学习机制
3. **机理深化**：建议通过分子动力学模拟（如文献[57]方法）解析不同压力下分子间作用力的变化规律

本研究为高压燃料喷射系统设计提供了新的理论工具，特别是在氧ated燃料的粘度-燃烧协同优化方面具有重要应用前景。后续工作可结合发动机台架试验（如文献[33]的DDC发动机测试方法），验证模型在真实工况下的预测能力。