高品质生物柴油燃烧性能评价系统

1.本发明涉及生物柴油燃烧性能领域，提供了一种使用数据软件预测燃油燃烧性能的方法及系统。


背景技术：

2.早在20世纪90年代，生物柴油就以其减排二氧化碳效果显著而受到重视，但由于第一代生物柴油使用过程中存在诸多问题，限制了其作为石化柴油替代品的使用前景。为了解决第一代生物柴油存在的问题，以油脂为原料、加氢催化为主要生产工艺制备的第二代生物柴油成为研究的焦点。
3.二代生物柴油以废弃油脂、动植物油脂等为生产原料，与以油料作物种子为原料的一代生物柴油相比，不需要占用用于种植粮食的土地，化学结构与化石柴油更为接近，而且有十六烷值更高、含硫量更低等优点，因此将二代生物柴油作为高品质生物柴油。其中由直接加氢脱氧工艺生产的二代生物柴油冷凝点高、低温流动性差，一般只能作为高十六烷值柴油添加组分。而由加氢脱氧异构工艺生产的高品质二代生物柴油有更高的十六烷值、更低的冷凝点和浊点，因此使用范围更广。
4.高品质生物柴油与传统低温石化柴油的掺混使用可提升非标低端柴油以达国标，而与国标柴油的掺混使用使发动机获得更低的油耗和排放。并且高品质生物柴油的产业化制备和市场推广，可降低对石化柴油的依赖，减少发动机尾气排放，为全球的节能减排做出贡献。因此对高品质生物柴油的研究重要且急切。
5.但是由于高品质生物柴油与其他燃料混合燃烧特性和排放特性不清晰，而且实验成本高，因此急需应用新的技术手段对不同组分混合燃油的燃烧性能进行预测评价。


技术实现要素：

6.为解决上述问题，本发明提供一种基于实验、公式、机器学习预测的高品质生物柴油燃烧性能的系统，能够对不同组分混合燃油的燃烧性能进行预测评价。
7.一种高品质生物柴油燃烧性能评价系统，使用数据软件建立包括实验数据库检索模块、拟合公式计算模块和机器学习预测模块的系统并输出混合燃油的燃烧特性和排放特性以反馈指导生物柴油制备工艺、调控优化生物柴油组分。
8.上述方案中，所述实验数据库检索模块包括燃油理化特性、实验工况和燃油燃烧性能。
9.上述方案中，所述燃油理化特性包括燃油种类和理化特性，其中，燃油种类包括纯燃油和混合燃油，燃油种类包括一代生物柴油、二代生物柴油-直链、二代生物柴油-异构及用于与生物柴油混合的柴油、汽油、正十二烷、甲醇、乙醇、丁醇、戊醇和辛醇，理化特性包括十六烷值、运动粘度、密度、含硫量、冷凝点和汽化潜热；其中，纯燃油的理化特性都通过实验测定；混合燃油的理化特性通过实验测定所得的数据，对于未测定过的混合燃油，其理化特性获得方式有两种：
10.(1)对于未测定过此种混合比但测定过此种混合种类的情况，通过拟合获得；
11.(2)对于未测定过此种混合种类的情况，通过纯燃油的理化特性按比例计算获得。
12.上述方案中，实验工况分为可设实验条件和固定实验条件，可设实验条件实验装置统一用高温高压定容燃烧弹，高温高压定容燃烧弹能够模拟发动机上止点的热力学环境，实验条件可控，能够调整环境温度、环境密度、环境氧含量、喷嘴直径和喷嘴压力；固定实验条件实验装置用发动机台架，固定实验条件为标准十三工况。
13.上述方案中，燃油燃烧性能包括燃烧特性和排放特性，规定所有值都使用统一的定义、统一的测试方式和统一的实验处理方法进行测量，燃烧特性通过定容燃烧弹实验处理获得，包括液相长度、着火延迟期、火焰浮起长度、碳烟质量和气相贯穿距；排放特性通过发动机台架实验获得，包括燃油消耗率(brake specific fuel consumption)、co、hc、pm和no
x
的比排放量，由于发动机台架实验条件为标准十三工况，排放特性的定义和测量固定，而燃烧特性中的定义往往各有不同，因此，统一燃烧特性的定义、测量方式、实验处理方法为：
14.燃烧特性中的喷雾气相和液相轮廓分别由纹影法和阴影法获取，着火延迟期通过纹影图像判断获得，火焰浮起长度通过化学荧光法拍摄，碳烟质量基于扩散背景光消光法计算获得；
15.液相长度定义为当燃油蒸发速率等于燃油喷射速率时喷雾液相在轴向上稳定的最远距离，着火延迟期定义为喷射开始到高温燃烧开始之间的时间间隔，火焰浮起长度定义为喷嘴位置分别与稳定火焰反应轴上区和轴下区的最短距离的平均值，气相贯穿距定义为沿喷嘴轴线方向，喷嘴顶点与喷雾气相轮廓最远处之间的距离，碳烟质量用计算公式定义为：
16.m
soot
＝ρλar
·
kl/keꢀꢀꢀꢀꢀꢀꢀ
(1)
17.其中，ρ表示碳烟密度，λ表示入射光波长，ar表示碳烟区域的面积，k表示空间消光系数，l表示入射光在碳烟内的光学长度，ke表示无量纲消光系数，
18.其中，液相长度、着火延迟期、火焰浮起长度在单次喷雾循环中都为一个值，在测量时进行多次循环先剔除不可靠的数据再取平均值，气相贯穿距和碳烟质量都是随时间变化的一系列值，在测量时也可进行多次循环先剔除不可靠的数据再按时间点取平均值，最后结果也是一系列的值。
19.上述方案中，拟合公式计算模块为使用已知的拟合公式对混合燃油的燃烧特性进行预测，燃烧特性包括液相长度、着火延迟期、火焰浮起长度的拟合：
20.液相长度ll：
21.着火延迟期id：
22.火焰浮起长度lol：
23.其中，d表示喷嘴直径，ρf表示燃油密度，ρa表示环境密度，n表示组成混合燃油的种类，mi表示质量分数，h
vap,i
表示汽化潜热，t
b,max
表示最高沸点，tf表示燃油初始温度，c
p,i
表示组分比热，c
p,a
表示环境比热，ta表示环境温度，ua表示运动粘度，p
inj
表示喷射压力，pa表示环境压力，o2％表示环境氧含量，z
st
表示化学计量燃料质量分数，cn表示燃油的十六烷值，a、b、c、d、e、f表示常数，通过已知的实验数据回归得到。
24.上述方案中，机器学习预测模块通过使用机器学习对燃油的燃烧性能进行预测，具体步骤如下：
25.s1：以实验数据库检索模块所用实验数据库作为数据集；
26.s2：根据输入与输出分为四种模型，分别对数据进行初筛和归一化，划分为训练集和测试集，用训练集训练出预测模型：模型一用于预测燃油在不同实验条件下的喷雾燃烧特性中的液相长度、着火延迟期和火焰浮起长度；模型二用于预测燃油在标准十三工况下的排放特性；模型三用于预测燃油的气相贯穿距；模型四用于预测燃油的碳烟质量，其中模型一与模型二使用的机器学习为极限学习机，模型三与模型四使用的机器学习为深度神经网络；
27.s3：使用决定系数、均方误差及平均绝对百分比误差作为评价指标，调整模型中的超参数直至结果达标，
28.s4：最终使用训练出的模型可用于预测燃油的燃烧性能。
29.上述方案中，以实验数据库中的检索结果作为优先输出，若匹配不到相应的结果，则通过误差曲线分别计算使用拟合公式和机器学习方法时的总误差大小，最终应用误差小的方法，关于误差曲线：
30.使用控制变量分别分析所有的输入参数，包括各种燃油组分、实验条件，计算拟合公式的拟合值或机器学习的预测值与实验值的差值，并拟合出误差曲线，数据库中燃油种类为m1种，可调的实验工况有m2种，且有液相长度、着火延迟期、火焰浮起长度三种输出，则拟合公式和机器学习的误差曲线各有n＝(m1+m2)
×
3条，在一组未经实验测定的数据输入时，首先将该组数据的各参数对应的数值分别通过拟合公式、机器学习的n条误差曲线计算出n个误差值，分别对液相长度、着火延迟期、火焰浮起长度的m1+m2个误差值进行求和计算，同时考虑各输入参数对结果的影响而引入权重，如计算液相长度的总误差：
[0031][0032][0033]
其中，a表示拟合公式计算时，b表示机器学习预测时，p表示各输入参数的权重，pi表示第i个输入参数的权重，e表示通过误差曲线计算出的误差值，e
ll,ai
表示使用拟合公式计算液相长度时第i个参数的误差值，e
ll,bi
表示使用机器学习预测液相长度时第i个参数的误差值。
[0034]
上述方案中，根据是否有实验数据选择实验数据库检索模块、拟合公式计算模块或者机器学习预测模块，输出混合燃油的燃烧特性和排放特性时，同时说明该次运行时系统中应用到的实验数据库检索模块、拟合公式计算模块或者机器学习预测模块及使用到的方法，使用实验数据库检索模块则对应匹配法，使用拟合公式计算模块则对应计算法，使用
机器学习预测模块则对应预测法。
[0035]
上述方案中，输出拟合公式计算或机器学习预测结果时没有真值与其对比，无法得知二者的精确度，因此对实验数据库中的所有数据使用相同的公式进行计算或相同的模型进行预测，并与真实的实验结果进行对比，作为精确度的参考。
[0036]
本发明采用上述的技术方案带来的有益效果包括：
[0037]
本发明通过建立包括实验数据库检索、拟合公式计算、机器学习预测三个模块在内的系统，并且通过误差曲线计算总误差比较了拟合公式计算和机器学习预测的精度以确定实际应用方法，实现对混合燃油的燃烧特性和排放特性的快速输出，另外还可通过该系统对燃烧性能的预测反馈指导生物柴油制备工艺、调控优化生物柴油组分。
[0038]
本发明主要解决的是高品质生物柴油添加应用时燃烧性能的评价问题，以反馈指导生物柴油制备工艺、调控优化生物柴油组分。同时，此发明不局限于混合了高品质生物柴油的燃油，任何系统中涉及到的燃油种类混合之后的燃烧性能都可预测。
附图说明
[0039]
图1为高品质生物柴油燃烧性能评价系统的流程图；
[0040]
图2为极限学习机的示意图；
[0041]
图3为预测燃油在不同实验条件下的喷雾燃烧特性的模型示意图；
[0042]
图4为预测燃油在标准十三工况下的排放特性的模型示意图；
[0043]
图5为深度神经网络的示意图；
[0044]
图6为拟合误差曲线的过程图；
[0045]
图7为应用误差曲线的过程图；
[0046]
图8为计算液相长度时拟合公式的环境温度误差曲线。
具体实施方式
[0047]
一种高品质生物柴油燃烧性能的系统，
[0048]
首先，确定生物柴油的种类，包括二代生物柴油-直链和二代生物柴油-异构，另外也将一代生物柴油考虑在内，可作为对比。其次，确定用来混合的常见燃油种类，包括柴油、汽油、正十二烷、甲醇、乙醇、丁醇、戊醇、辛醇。然后，确定各种纯燃油对应理化特性，包括十六烷值、运动黏度、密度、含硫量、冷凝点、汽化潜热等。
[0049]
混合燃油指不同种类的燃油以不同比例添加获得的燃油，关于其理化特性的获得，优先选择实验测定所得的数据，对于未测定过的混合燃油，其理化特性获得方式有两种：
[0050]
(1)对于未测定过此种混合组分但测定过此种混合种类的情况，通过拟合获得；
[0051]
(2)对于未测定过此种混合种类的情况，通过纯燃油的理化特性按比例计算获得。
[0052]
收集所有相关实验数据制作实验数据库，数据库中包含了各种燃油的理化特性、各种燃油在不同实验条件下的喷雾燃烧特性及各种燃油使用标准十三工况测试的排放特性。实验条件包括环境温度、环境密度、环境氧含量、喷嘴直径、喷嘴压力，喷雾燃烧特性包括液相长度、着火延迟期、火焰浮起长度、气相贯穿距、碳烟质量，排放特性包括bfsc(brake specific fuel consumption，燃油消耗率)、co、hc、pm、no
x
的比排放量。
[0053]
该数据库不仅作为检索的依据，同时作为拟合公式回归的依据、机器学习的数据集。拟合公式的确定及模型的训练在建立实验数据库后即可完成。
[0054]
数据库中的高温高压静态环境下的喷雾燃烧特性都使用统一的定义和测试方法进行测量，并且实验处理方法也要求一致。实验装置统一用高温高压定容燃烧弹，该装置可模拟发动机上止点的热力学环境，实验条件高度可控。燃烧特性中的喷雾气相和液相轮廓分别由纹影法和阴影法获取，着火延迟期通过纹影图像判断获得，火焰浮起长度通过化学荧光法拍摄，碳烟质量基于扩散背景光消光法计算获得。
[0055]
液相长度定义为当燃油蒸发速率等于燃油喷射速率时喷雾液相在轴向上稳定的最远距离，着火延迟期定义为喷射开始到高温燃烧开始之间的时间间隔，火焰浮起长度定义为喷嘴位置分别与稳定火焰反应轴上区和轴下区的最短距离的平均值，气相贯穿距定义为沿喷嘴轴线方向，喷嘴顶点与喷雾气相轮廓最远处之间的距离，碳烟质量用计算公式定义为：
[0056]msoot
＝ρλar
·
kl/keꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0057]
其中，ρ表示碳烟密度，λ表示入射光波长，ar表示碳烟区域的面积，k表示空间消光系数，l表示入射光在碳烟内的光学长度，ke表示无量纲消光系数。
[0058]
其中液相长度、着火延迟期、火焰浮起长度在单次喷雾循环中都为一个值，在测量时进行多次循环先剔除不可靠的数据再取平均值。气相贯穿距和碳烟质量都是随时间变化的一系列值，在测量时也可进行多次循环先剔除不可靠的数据再按时间点取平均值，最后结果也是一系列的值。
[0059]
数据库中的排放特性同样使用统一的定义和测试方法测量，实验装置统一使用发动机台架、标准十三工况。
[0060]
建立完数据库之后，即可对拟合公式中的常数进行回归、训练机器学习模型。
[0061]
本方法中使用的拟合公式如下：
[0062]
液相长度ll:
[0063]
着火延迟期id:
[0064]
火焰浮起长度lol:
[0065]
其中，d表示喷嘴直径，ρf表示燃油密度，ρa表示环境密度，n表示组成混合燃油的种类，mi表示质量分数，h
vap,i
表示汽化潜热，t
b,max
表示最高沸点，tf表示燃油初始温度，c
p,i
表示组分比热，c
p,a
表示环境比热，ta表示环境温度，ua表示运动粘度，p
inj
表示喷射压力，pa表示环境压力，o2％表示环境氧含量，z
st
表示化学计量燃料质量分数，cn表示燃油的十六烷值。a、b、c、d、e、f表示常数，其值通过已知的实验数据回归得到。
[0066]
本方法中机器学习的应用分为两种，第一种预测的是单个值，喷雾燃烧特性中的液相长度、着火延迟期、火焰浮起长度及排放特性都是这样的值，第二种预测的是随时间变
化的系列值，气相贯穿距和碳烟质量是这样的值。在本发明中对这两种应用不同的算法，第一种使用极限学习机，第二种使用深度神经网络。
[0067]
在第一种应用中使用的极限学习机为神经网络结构，包括输入层、单个隐藏层和输出层，如图2。极限学习机的输出公式为：
[0068][0069]hi
(x)＝g(wix+bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0070]
其中，y表示极限学习机的输出，y＝[y1,...,ym]
t
，m表示m个输出值，x表示极限学习机的输入，x＝[x1,...,xn]
t
，n表示n个输出值，βi表示隐藏层第i个节点与输出层之间的输出权重，hi表示第i个节点的输出，g(
·
)表示激活函数，wi表示输入层与隐藏层第i个节点之间的权重，bi表示输入层与隐藏层第i个节点之间的偏差。
[0071]
模型中的wi和bi为随机产生值，要使得模型预测效果良好，关键在于β的确定，其计算公式为：
[0072]
β＝h
′
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0073]
其中，β为连接隐藏层与输出层之间的权重，h
′
为隐藏层输出的moore
–
penrose广义逆矩阵，t为样本标签。
[0074]
极限学习机在本方法的应用中，根据输入、输出的不同分成两种模型。如图3为用于预测燃油在不同实验条件下的喷雾燃烧特性的模型示意图，其输入为燃油的理化特性和实验条件，输出为喷雾燃烧特性中的液相长度、着火延迟期、火焰浮起长度，将其作为模型一。如图4为预测燃油在标准十三工况下的排放特性的模型示意图，其输入为燃油的理化特性，输出为排放特性，将其作为模型二。
[0075]
在第二种应用中使用的深度神经网络，包括输入层、多个隐藏层和输出层。如图5所示，是一个由输入层、三个隐藏层、一个输出层组成的深度神经网络，其中隐藏层的节点数分别为5，3，4。
[0076]
构建深层神经网络模型步骤如下：
[0077]
(1)搭建神经网络，包括确定输入、输出值的数量，隐藏层的数量及各隐藏层的节点数、所用的激活函数；
[0078]
(2)初始化模型参数，包括各层之间连接的权重和偏差；
[0079]
(3)前向循环：输入值后通过初始的权重、偏差值进行计算，得到输出；
[0080]
(4)计算损失：通过损失函数计算第三步得到的实际输出与理论输出之间的误差；
[0081]
(5)反向循环：从输出开始计算输出对每层权重和偏差的偏导；
[0082]
(6)更新参数：根据偏导值计算新的权重和偏差值替代原来的值；
[0083]
(7)整合：设定多次迭代，即重复第三步到第六步直到神经网络输出值与理论输出值之间的误差小于给定值；
[0084]
(8)将该神经网络用于预测。
[0085]
深度神经网络在本方法中用于预测气相贯穿距和碳烟质量，因此输入为理化特性和实验条件的值，输出为不同时间点对应的气相贯穿距、碳烟质量。其中用于预测气相贯穿距的模型作为模型三，用于预测碳烟质量的模型作为模型四。
[0086]
模型预测精度皆采用以下指标：
[0087][0088][0089][0090]
r2为决定系数，其值在0到1之间，越接近1则模型预测性能越好。
[0091]
mse为均方误差，其值在0到正无穷之间，越接近0则模型预测性能越好。
[0092]
mape为平均绝对百分比误差，其值在0到正无穷之间，越接近0则模型预测性能越好。
[0093]
其中，n表示数据点个数，表示预测值，yi表示真实值，表示真实值的均值。
[0094]
液相长度、着火延迟期、火焰浮起长度的拟合公式与机器学习的对比通过误差计算实现，如图6和图7所示，具体步骤如下：
[0095]
(1)将数据库中所有实验的数据分别代入拟合公式计算拟合值、作为机器学习输入得预测值；
[0096]
(2)使用控制变量分别分析所有的输入参数，包括各种燃油组分、实验条件，计算拟合值或预测值与实验值的差值，并拟合出误差曲线，如图8为计算液相长度时拟合公式的环境温度误差曲线。数据库中燃油种类为m1种，可调的实验工况有m2种，且有液相长度、着火延迟期、火焰浮起长度三种输出，则拟合公式和机器学习的误差曲线各有n＝(m1+m2)
×
3条，
[0097]
(3)以上两步为准备工作，在一组未经实验测定的数据输入时，首先将该组数据的各参数对应的数值分别通过拟合公式、机器学习的n条误差曲线计算出n个误差值，分别对液相长度、着火延迟期、火焰浮起长度的m1+m2个误差值进行求和计算，同时考虑各输入参数对结果的影响而引入权重，以液相长度为例：
[0098][0099][0100]
其中，a表示拟合公式计算时，b表示机器学习预测时，p表示各输入参数的权重，e表示通过误差曲线计算出的误差值。
[0101]
(4)以液相长度为例，比较s
ll,a
和s
ll,b
的大小，取和值小的方法作为实际应用的方法。
[0102]
最终确定整个系统的三个模块，分别为数据库、拟合公式、机器学习。将各自能实现的功能对应到给定条件，应用流程如图1所示，具体步骤如下：
[0103]
(1)输入混合燃油中各燃油的占比
[0104]
(2)确定混合燃油的理化特性
[0105]
①
优先选择实验测定值；
[0106]
②
若无实验测定，则通过拟合或按比例计算获得。
[0107]
(3)选择使用定容燃烧弹或发动机台架
[0108]
①
选择定容燃烧弹则还需输入实验条件；
[0109]
②
选择发动机台架则固定工况。
[0110]
(4)在定容燃烧弹部分：
[0111]
①
首先进行实验数据库的匹配，若匹配到有实验数据，则输出实验所得的数据，包括液相长度、着火延迟期、火焰浮起长度、气相贯穿距、碳烟质量；
[0112]
②
若匹配不到实验数据，则：
[0113]
a)液相长度、着火延迟期、火焰浮起长度根据总误差值判断使用拟合公式计算或机器学习模型一预测；
[0114]
b)气相贯穿距、碳烟质量通过机器学习三、四预测；
[0115]
c)输出该混合燃油在特定实验条件下通过拟合公式计算或机器学习预测的结果，同时输出全部有实验数据的混合燃油通过拟合公式计算或机器学习预测的结果，以作参考和对比。
[0116]
(5)在发动机台架部分：
[0117]
①
首先进行实验数据库的匹配，若匹配到有实验数据，则输出实验所得的数据，包括bfsc、co、hc、pm、no
x
的比排放量；
[0118]
②
若匹配不到实验数据，则通过机器学习模型二进行预测，输出结果包括bfsc、co、hc、pm、no
x
的比排放量。同时输出全部有实验数据的混合燃油通过该模型预测的结果，以作参考和对比。
[0119]
下面结合实例对本系统进行描述。
[0120]
实例1，计算以二代生物柴油-直链作为试验燃油，与戊醇进行混合且体积比80:20时的混合燃油的理化特性，并且数据库中没有二代生物柴油-直链与戊醇混合的任何数据。
[0121]
这种情况，通过纯燃油的理化特性按比例计算获得。已知二代生物柴油-直链的密度为786kg/m3，戊醇的密度为815kg/m3，则混合燃油的密度：
[0122][0123]
其中，v表示混合燃油中某种燃油所占的体积，ρ表示混合燃油中某种燃油的密度，i表示混合燃油中不同的燃油种类，n表示混合燃油中共有的燃油种类。
[0124]
其余理化特性如十六烷值、运动粘度等都如此计算。
[0125]
实例2，使用定容燃烧弹，需要输出燃烧特性，设定两种情况。
[0126]
设定情况一：实验已经测得二代生物柴油-直链作为试验燃油，与甲醇、正辛醇进行混合且三者体积比为58:25:17时的混合燃油的理化特性及给定实验工况对应燃烧性能的相关数据。
[0127]
设定情况二：实验未测得二代生物柴油-直链作为试验燃油，与甲醇、正辛醇进行混合且三者体积比为70:15:15时的混合燃油的理化特性及给定实验工况对应燃烧性能的相关数据。
[0128]
情况一，存在可靠的实验数据，则直接将其作为预测结果。该结果包含单个值形式的液相长度、着火延迟期、火焰浮起长度及随时间变化的碳烟质量、气相贯穿距。
[0129]
情况二，不存在实验数据。对液相长度、着火延迟期、火焰浮起长度，比较拟合公式与机器学习的总误差并选择总误差小的方法输出，对碳烟质量、气相贯穿距，直接使用机器学习预测输出，步骤如下：
[0130]
对液相长度、着火延迟期、火焰浮起长度，将该组数据的各参数对应的数值分别通过拟合公式、机器学习的n条误差曲线计算出n个误差值，分别对液相长度、着火延迟期、火焰浮起长度的m1+m2个误差值进行求和计算，且不考虑各参数的权重。计算出：
[0131]sll,a
＞s
ll,b
,s
id,a
＞s
id,b
,s
lol,a
＜s
lol,b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0132]
因此液相长度及着火延迟期通过拟合公式计算，火焰浮起长度通过机器学习预测。
[0133]
确定液相长度及着火延迟期的拟合公式：
[0134][0135][0136]
将所需值代入公式易得包括液相长度及着火延迟期的结果。
[0137]
然后，使用机器学习模型一进行预测火焰浮起长度值。
[0138]
对气相贯穿距和碳烟质量，通过模型三预测得到气相贯穿距，通过模型四预测得到碳烟质量。
[0139]
最终，输出拟合公式计算或机器学习预测的结果，同时输出全部有实验数据的混合燃油通过该拟合公式或机器学习预测的结果。
[0140]
实例3，使用发动机台架，需要输出排放特性，同样设定两种情况。
[0141]
设定情况一：实验已经测得二代生物柴油-直链作为试验燃油，与柴油进行混合且二者体积比为20:80时的混合燃油的理化特性及燃烧性能的相关数据。
[0142]
设定情况二：实验未测得二代生物柴油-直链作为试验燃油，与柴油进行混合且二者体积比为40:60时的混合燃油的理化特性及燃烧性能的相关数据。
[0143]
情况一，存在可靠的实验数据，则直接将其作为预测结果。该结果呈现为单个值形式的比排放量，包括了bfsc、co、hc、pm、no
x
的比排放量。
[0144]
情况二，不存在实验数据，则使用机器学习模型二预测比排放量，同时输出全部有实验数据的混合燃油通过该模型预测的结果。
[0145]
本发明未尽事宜为公知技术。上述实例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的权利要求范围之内。