基于神经网络模型的生物燃料闪点预测研究及其在安全评估中的应用

针对生物燃料闪点(FP)实验测定成本高、传统热力学模型依赖精确组分数据的局限，巴西研究团队采用人工神经网络(ANN)构建预测模型，通过490个数据点（含24个新测数据）训练，最终模型在98个未知样本上取得RMSE 4.22 K、MAE 3.09 K的精度，性能媲美UNIFAC模型，为复杂生物燃料混合物的安全评估提供高效工具。

　　

随着全球能源需求增长和环境问题加剧，寻找石油衍生品的替代品成为迫切需求。巴西作为可再生能源利用的领先者，其48%的能源矩阵来自可再生资源，生物燃料如生物柴油、乙醇和丁醇因此备受关注。然而，这些燃料的安全使用需要准确评估其闪点(Flash Point, FP)——即液体蒸气与空气形成可燃混合物的最低温度。传统FP测定方法不仅耗时耗力，且现有预测模型如Liaw模型依赖精确的组分数据，难以应对复杂混合物。更棘手的是，生物燃料常含有未报告的污染物（如甘油、脂肪酸），进一步增加了预测难度。

为突破这些限制，来自巴西的研究团队在《Fluid Phase Equilibria》发表研究，首次将人工神经网络(Artificial Neural Networks, ANNs)应用于生物燃料混合物的FP预测。研究整合了490个数据点（包括24个新测的丁醇与脂肪酸乙酯FAEEs混合物数据），通过5折交叉验证和80/20数据划分，构建了以平均摩尔质量、蒸气压自然对数和实验方法为输入特征的ANN模型。最终模型采用三层隐藏层结构，在98个未知样本上表现出色：RMSE为4.22 K，MAE为3.09 K，精度与UNIFAC热力学模型相当，且对缺乏详细组分信息的混合物更具适应性。

关键技术包括：1) 使用Miniflash FLPH分析仪（精度±1.9 K）测量FP；2) 采用5折交叉验证优化模型；3) 结合结构描述符（如分子量）替代传统QSPR分子描述符；4) 通过参数分析确定隐藏层数。

Material
研究选用高纯度FAEEs和1-丁醇（Sigma-Aldrich）制备二元混合物，精确称重（±0.1 mg）以确保数据可靠性。

Flash point measurements
通过闭杯法测定FP，仪器误差控制在±1.9 K内，为模型提供高质量实验数据。

Evaluation of neural networks model
模型测试集预测值与实验值的散点图显示高度线性相关（R²>0.95），但对数据稀缺体系（如含丁醇混合物）预测误差增大，提示数据平衡的重要性。

Conclusion
ANN模型在已知体系（如生物柴油）中表现优异，但数据覆盖不足会影响预测。未来需扩充数据库以提高泛化能力。研究开源了模型和训练数据（github.com/ThermoPhase-FCSRG/fp-neural-net），为生物燃料安全设计提供新范式。

CRediT authorship contribution statement
第一作者Maurício Prado de Omena Souza负责模型构建与数据分析，通讯作者Antonio Marinho Barbosa Neto指导研究设计。团队强调该工作无利益冲突，并感谢CAPES、CNPq等机构的资助。

这项研究的创新性在于将机器学习应用于生物燃料安全领域，克服了传统模型对精确组分数据的依赖。尽管存在数据不平衡的局限，但其开源策略和跨学科方法为后续研究奠定了基础，有望加速环保燃料的开发与应用。