基于ANN-RSM耦合ACKTR-DE/HHO算法的废食用油生物柴油-柴油混合燃料发动机性能与排放多目标优化研究

本研究针对柴油发动机在能源可持续性与排放控制领域的挑战，创新性地结合人工神经网络(ANN)、响应面法(RSM)与智能优化算法(ACKTR-DE/HHO)，系统优化废食用油生物柴油混合燃料的燃烧效率与污染物控制。通过实验验证，在180 bar喷射压力、3.846 Nm扭矩及100%生物柴油比例下实现制动热效率(BTE)提升至26.029%，同时显著降低NOx、HC等排放指标，为生物柴油工程应用提供高精度(R2>0.97)的智能优化框架。

　　

全球交通运输领域对柴油发动机的依赖与化石燃料资源枯竭的矛盾日益尖锐，而传统柴油燃烧产生的大量氮氧化物(NO_x)和颗粒物排放更是加剧了环境恶化。尽管生物柴油因其可再生性和低碳特性被视为理想替代品，但如何平衡其热效率提升与排放控制仍存在技术瓶颈。尤其废食用油生物柴油(WCO)虽能解决"食物-燃料"争议，但高游离脂肪酸含量导致的燃烧不稳定性，以及不同混合比例、喷射压力对发动机性能的非线性影响，亟需建立精准的预测-优化体系。

土耳其恰恩克勒卡莱克大学的研究团队在《BMC Chemistry》发表的研究中，首次将神经进化强化学习(NEORL)框架引入发动机优化领域。通过整合响应面法(RSM)、人工神经网络(ANN)与两种新型智能算法——基于Kronecker因子信任域的差分进化算法(ACKTR-DE)和哈里斯鹰优化算法(HHO)，构建了多目标优化模型。实验采用单缸柴油机测试0%/50%/100%生物柴油混合燃料在不同喷射压力(180-240 bar)和负载(3.06-12.26 Nm)下的性能参数，最终验证该模型可将制动热效率(BTE)提升至26.029%，同时实现NO_x=428.111 ppm、HC=9.999 ppm的超低排放。

关键技术方法包括：1) 采用RSM构建二次回归模型分析喷射压力、扭矩与生物柴油比例的交互作用；2) 建立15神经元ANN模型预测BTE、SFC等7项指标；3) 通过ACKTR-DE算法融合强化学习与差分进化策略；4) 应用HHO算法模拟鹰群捕食行为进行参数寻优；5) 基于ISO 8178标准进行排放检测验证。

RSM结果
通过三维响应面分析揭示：100%生物柴油在180 bar喷射压力下BTE达峰值27.1%，归因于其富氧特性促进完全燃烧。但喷射压力超过220 bar会导致燃油过雾化，反而使比油耗(SFC)升高至402 g/kWh。NO_x排放呈现典型"双刃剑"效应——生物柴油的富氧特性虽降低CO/HC排放达45%，却使NO_x增加54%，符合Zeldovich热力学机制。

ANN结果
构建的神经网络模型对EGT预测精度最高(R²=0.992)，烟雾排放预测相对较弱(R²=0.910)。采用Levenberg-Marquardt算法训练的模型整体MSE低于0.497%，其中BTE预测值与实验数据误差仅0.25%，证明ANN在非线性系统建模中的优越性。

优化算法对比
HHO算法在综合性能上超越ACKTR-DE，其优化的BTE达27.2183%，同时将CO排放控制在0.0822%。但ACKTR-DE在NO_x控制(295.91 ppm)方面略优，反映不同算法在帕累托前沿上的特异性分布。

研究结论表明，废食用油生物柴油在100%掺混比例下，配合180 bar喷射压力与中等负载(3.846 Nm)可实现"效率-排放"双优解。该成果的创新性体现在：1) 首次将NEORL框架应用于发动机优化；2) 实验验证了智能算法与传统统计模型的互补性；3) 为废弃油脂资源化提供工程化解决方案。讨论部分指出，未来研究可结合EGR技术进一步解决NO_x悖论，并通过分子动力学模拟揭示生物柴油纳米尺度燃烧机制。