可持续航空燃料智慧评估与性能调控
作者：任新瑞，唐若月，王铭睿，李昊龙，王子康平，张廷，韩禹，冯光远，张鸿杰，成松*
单位：香港理工大学, 机械工程系
1、
研究背景及意义
随着全球经济的快速发展，航空业的碳排放问题日益凸显。可持续航空燃料(Sustainable aviation fuel, 简称“SAF”)被认为是中短期实现民航碳减排目标的最主要技术路径，根据国际航空运输协会（International Air Transport Association, LATA）的分析，到2050年，65%的碳减排将通过使用SAF来实现。SAF与现有燃料输送基础设施完全兼容，可直接与传统化石基航空煤油掺混（Drop-in Blending），且几乎不需要对飞机进行改装便可直接使用。与化石基航油相比，SAF不仅可以提供相似的飞行动力，而且能减少80%的碳排放。
目前，SAF的适航认证需经过一套标准化的ASTM认证流程。该过程繁琐且极其严苛，导致SAF研发的前期投入非常高昂。据保守估计，通过ASTM标准流程认证一款SAF至少要投入3-5年时间、1-2亿人民币以及生产超过60万升SAF样品，且该SAF产品仍有很大可能不满足适航条件。SAF研发的高风险、高成本导致目前SAF的发展严重受限。尽管受到国际能源政策的强力驱动，自2009年以来，仅有几种SAF被批准商业化使用，且其产能不足航空煤油总市场的1%。因此，亟需开发新技术，实现小体积、低成本、高效率的SAF评估与初筛，快速定位具有潜在广泛应用前景的SAF。
2、
亮点创新
（1）建立了小样本学习框架，采用一种包含数据生成的多模态半监督回归模型，有效解决了样本信息缺失且样本量不足的问题。
（2）基于航油组分信息，对14个ASTM标准物性进行实时预测，可实现低成本、高效率地评估和筛选具有潜力的SAFs，通过ASTM适航认证。
（3）提出了SAF故障诊断和综合性能优化框架，基于多目标遗传算法，对航油综合性能进行定向优化调控，确保其关键属性满足ASTM标准要求。
3、
主要成果
（1）基于多模态半监督回归模型和数据生成的小样本学习框架
航油的理化和燃烧特性主要受其组成分布所主导。因此，有潜力通过航油的组分信息来实现快速且可靠地甄别潜在SAF。然而，尽管目前航油的生产使用非常广泛，但针对不同生产地点、批次的航油组分信息非常局限。为了解决数据量不足的问题，本研究开发了基于多模态半监督回归模型和数据生成的小样本学习框架，能实现基于小数据样本，可靠地构建从航油组分信息到目标参数的映射关系。
本研究目标参数选择航油的14个关键理化属性进行映射关系构建，分别为：密度、十六烷值、6种蒸馏温度（0%、10%、20%、50%、90%、100%）、闪点、冰点、燃烧热值、表面张力、-20℃和-40℃下的粘度。这14个属性涵盖了燃料的基本理化性能，直接影响燃料在高空低温、极端温度变化及高速燃烧等特定条件下的表现。这14个属性也是ASTM D7566和D4054标准中定义的关键指标，用于确保SAF能够达到与传统航空燃料相同的性能标准。图1为所开发的小样本学习框架在生成数据集上对14个关键属性的预测结果。采用R-squared (R2)和Mean Absolute Error (MAE)作为模型评价指标。从图1可知，所有属性在训练集、测试集、以及总数据集的R2均大于0.99，表示模型对数据的拟合能力非常强，MAE均小于0.31，表示模型的预测具有极高的准确度。
图1 小样本学习框架对14种理化性质的映射关系构建结果
（2）基于航油组分信息，对实际航油的14个关键属性进行实时预测和评估
基于小样本学习框架所得到的映射关系，能实现基于航油化合物族分布和碳数分布信息，对实际航油的关键属性进行实时预测。将该框架应用在传统航油（Jet A、 Jet A-1、JP 5、JP 8等）、SAF（ATJ、FT、HEFA、SPK等）、两者掺混燃料以及其他替代航油，其结果如图2所示。从图2可知，十六烷值（DCN）、密度、20%馏出温度、50%馏出温度和燃烧热值的R2均大于0.9，除-20℃粘度(R2= 0.843)和-40℃粘度（R2= 0.80），其他性能的R2均>0.85，且预测精度都在各自的ASTM容差范围内。另外，本研究提出的框架与现有框架相比，预测精度实现数量级提升、普适性更高、涵盖的航油物性类别更全面，而且首次实现完全满足ASTM的评估误差。基于该框架，能实现在盲目扩大SAF生产前，小体积、低成本、高效率地对候选SAF产品综合性能进行评估与初筛，从而极大地降低SAF的研发风险。
图2 真实航油、SAF等的理化特性实时预测结果
在实际的SAF认证过程中，SAF可能无法通过某一个或多个环节的评测。此时需要对SAF进行故障诊断，并提出优化方案，用以指导SAF制备工艺的调整。为此，本文基于多目标遗传算法，开发了一款创新的SAF故障诊断和综合性能优化框架，能对SAF不满足特定测评要求的原因进行故障分析，并在此基础上，在用户自定义限制框架（经济、碳足迹、适航等指标）内，对航油的组分信息进行定向优化。
图3中展示了使用该优化算法，对一款基于ATJ技术路径的潜在SAF油品进行故障诊断和优化的动态过程。优化的目标为使其全部属性满足ASTM、传统航油Jet A和Jet A-1的性能范围要求。可以看到，所评估的SAF油品初始密度、冰点、燃烧热值、和表面张力均不在ASTM，或Jet A和Jet A-1的范围内，但通过遗传算法的逐步优化，最终该候选SAF的全部属性都进入到目标区间内，并且燃料性能发生了很大变化。比如，密度从765 kg/L提高到798 kg/L，燃烧热值从43.51 MJ/kg降低到42.9 MJ/kg，表面张力从25.1提高到27.7等。优化后属性都完全符合Jet A和Jet A-1的物性范围。优化前该候选SAF的异构烷烃（iso-paraffins），正构烷烃（n-paraffins），和单环烷烃（monocycloparaffin）的质量百分比占比较高分别为51.5%，14.2%，16.5%，优化后分别为23.02%，16.21%，19.84%。该优化框架能根据用户需求对航油综合性能进行定向优化调控，并诊断SAF油品故障，为SAF生产商提供反馈信息，指导制备工艺优化方向。
图3 基于ATJ技术路径的潜在SAF油品动态诊断和优化过程
4、
小结
本研究发展了针对航油的小样本学习框架，并在此基础上构建了准确可靠的航油组分和关键理化属性之间的映射关系，可实现根据航油组分信息，对14个ASTM定义的关键属性进行实时预测。在此基础上，发展了基于多目标遗传算法的SAF故障诊断和定向优化框架，能给予用户自定义需求，优化调控候选SAF产品的综合性能。本研究所提出的创新SAF预筛选框架，能实现小体积、低成本、高效率、低风险的SAF评估与初筛，以及SAF性能的定向调控，并为SAF生厂商提供反馈信息，指导制备工艺优化方向。该框架将有效缩短SAF油品的开发时间，提高SAF产品在整个ASTM认证过程的效率和成功率，对推动SAF的实际应用发展和我国航空运输业减碳进程具有重要的应用价值。
5、
作者介绍
第一作者：任新瑞，香港理工大学机械工程系博士研究生，导师为成松教授，主要研究方向高维化学反应动力学模型近实时优化。
通讯作者：成松，香港理工大学机械工程学系助理教授、博士生导师、美国阿贡国家实验室交通与推进系统部客座研究员、墨尔本大学工学院Visiting Fellow，香港杰出青年学者计划获得者。研究方向为极端燃烧理论和诊断技术、近实时协同优化。主持多项美国能源部研究项目、香港大学教育资助委员会（RGC）项目、香港特首政策研究资助计划、香港环境保护署项目、国家自然科学基金委项目、广东省自然科学基金面上项目等。相关研究成果在燃烧与流体领域期刊发表学术论文60多篇，任香港气体安全立法委员会、国际汽车工程师学会、全球华人环保协会等组委会成员。
本期编辑：刘洋 审校：胡皓玮
编者按：“燃烧科学进展”公众号由中国工程热物理学会燃烧学分会建设和运营，主要发布国际燃烧学会中国分会和中国工程热物理学会燃烧学分会的重要学术活动通知、新闻资讯、科研动态与成果、科普知识等信息。
投稿请联系：Combust_kxcb@ustc.edu.cn
免责声明：本公众号致力于分享燃烧科学领域相关资讯，内容仅供参考学习，所有发表内容均不代表官方观点。若发表的文章侵犯了媒体或个人的知识产权，我们将立即予以删除。
