基于深度学习的煤制油高能量密度燃料分子设计与性能预测研究

本研究针对航空燃料性能提升需求，创新性地结合卷积神经网络(CNN)和变分自编码器(VAE)技术，从煤液化产物中自主设计高能量密度燃料(HEDFs)。通过构建367种烃类分子数据库，建立R2>0.97的物性预测模型，生成7万种新分子并筛选出25种符合ρ>0.8g/cm3、NHOCV>38MJ/L标准的候选燃料，为燃料开发提供了高效计算范式。

　　

在航空工业快速发展的今天，高能量密度燃料(HEDFs)的研发直接关系到飞行器的航程、速度和载重能力。传统燃料存在能量密度不足、合成路线复杂等问题，而煤直接液化油中富含的环烷烃类物质，因其高热稳定性和高闪点特性，成为极具潜力的替代原料。然而，如何从复杂的煤液化产物中筛选出符合航空燃料标准(需同时满足高密度ρ、高体积热值NHOC_V和低熔点T_m要求)的分子结构，一直是制约燃料开发的瓶颈问题。

针对这一挑战，太原理工大学的研究团队在《Chinese Journal of Chemical Engineering》发表了一项突破性研究。该团队创新性地将深度学习技术引入燃料分子设计领域，通过建立"生成-预测"双模型系统，实现了煤基高能量密度燃料的智能化设计。研究首先采用密度泛函理论(DFT)和基团贡献法精确计算了367种煤液化产物的物性数据，随后构建了三个基于卷积神经网络(CNN)的预测模型，对燃料关键指标ρ、NHOC_V和T_m的预测精度R²均超过0.97。更引人注目的是，团队开发的变分自编码器(VAE)模型能够自主生成7万种新型分子结构，最终筛选出25种符合航空燃料标准的候选分子，其密度ρ>0.8g/cm³、体积热值NHOC_V>38MJ/L。这项研究首次实现了煤基燃料从分子设计到性能预测的全流程智能化，为新能源开发提供了革命性的技术路径。

关键技术方法包括：1)基于煤直接液化油成分分析构建367种烃类分子数据库；2)采用CNN建立分子结构-物性预测模型；3)开发面向环烷烃的VAE分子生成模型；4)通过组合筛选策略评估生成分子的燃料性能指标。

【研究结果】
• 煤液化产物结构特征：分析显示煤直接液化油主要含直链烷烃(38.7%)、环烷烃(52.1%)和金刚烷(9.2%)，通过引入甲基、乙基等官能团衍生出367种结构变体，碳原子数主要分布在8-16之间。

• CNN预测性能：三个CNN模型对ρ、NHOC_V和T_m的预测误差分别控制在±0.02g/cm³、±0.3MJ/L和±5°C内，测试集R²达0.971-0.983，显著优于传统QSPR模型。

• VAE分子生成：模型成功学习环烷烃结构特征，生成的分子中68.3%具有饱和环状骨架，17.2%含桥环结构，拓展了传统实验方法难以触及的化学空间。

• 候选分子筛选：从7万生成结构中筛选出25种符合HEDFs标准的分子，其平均密度(0.83g/cm³)较JP-900提高11.2%，体积热值(39.4MJ/L)提高8.6%，同时保持熔点低于-40°C的低温流动性。

【结论与意义】
该研究开创了深度学习驱动燃料设计的新范式：1) CNN模型突破了传统QSPR方法依赖人工特征的局限，实现分子结构到物性的端到端预测；2) VAE模型通过潜在空间操作可系统探索化学空间，克服了高通量筛选依赖预设库的缺陷；3) 生成的稠环烷烃结构为开发ρ>0.85g/cm³的超高密度燃料提供了新思路。研究成果不仅为煤制油高值化利用开辟新途径，其"生成-预测"协同框架更为复杂分子体系设计提供了普适性方法论，在能源材料、药物设计等领域具有广泛适用前景。