基于机器学习的NH3 /H2 预混旋流火焰燃烧参数化学发光建模研究

本研究针对NH3 /H2 混合燃料燃烧监测难题，创新性地采用贝叶斯正则化人工神经网络（BR-ANN）算法，通过NH*/OH*等化学发光强度比预测当量比（?）、氨分数（xNH3 ）及NOx排放，模型R2 达0.98-0.99，为开发非侵入式燃烧传感器提供了关键理论基础。

　　

氨（NH₃
）作为零碳燃料在能源转型中备受关注，但其燃烧特性差、NOx排放高等问题制约应用。氢（H₂
）的掺混可改善燃烧性能，但混合燃料的实时监测仍是技术难点。传统基于化学发光强度比的经验方法预测精度不足，而现有机器学习研究多缺乏模型可解释性。针对这一挑战，Cardiff大学的研究团队创新性地将贝叶斯正则化人工神经网络（BR-ANN）应用于NH₃
/H₂
预混旋流火焰的燃烧参数预测。

研究采用切向旋流燃烧器实验系统，在4000≤Re≤7000、0.55≤xNH₃
≤0.90、0.35≤?≤1.70条件下采集203组数据。通过AvaSpec和StellarNet光谱仪同步捕捉OH*（302-326 nm）、NH₂
*（620-645 nm）等自由基的紫外-可见化学发光信号，结合量子级联激光分析仪测量NO/NO₂
/N₂
O排放。关键技术包括：1）光谱背景校正与数值积分；2）基于最大-最小法的数据归一化；3）BR-ANN算法构建3-10-1架构预测模型；4）Spearman热图与杠杆值分析验证数据可靠性。

研究结果部分显示：

1. NOx排放特性：NO排放随xNH₃
   增加而降低，因NH₂
   *通过NH+NO→N₂
   O+H路径消耗NO。NO₂
   峰值出现在?≈0.85，其排放量是NO的40倍。
2. 化学发光比值规律：NH₂
   /NO₂
   与?相关性最强（r=0.82），而NH/OH仅0.26。OH*/violet比值在?≤1.1时对xNH₃
   敏感。
3. 模型性能：?和xNH₃
   预测模型的R²
   分别达0.988和0.95，NOx模型R²
   为0.97-0.99。输入±20%误差时仍保持R²

0.94的鲁棒性。

1. 显式方程：首次给出?=0.675?_n
   +1.025等数学表达式，推理延迟仅80-103纳秒。

该研究通过机器学习首次实现了NH₃
/H₂
燃烧参数的可解释预测，模型精度较传统比值法提升23%。所开发的显式方程为非侵入式传感器设计提供了可直接嵌入的算法核心，对燃气轮机低碳运行具有重要实践价值。未来研究可拓展至分层燃烧、加湿条件等更复杂工况，推动氨氢燃料在航空发动机等高温高压场景的应用。论文发表于《International Journal of Hydrogen Energy》。