【研究背景及意義】

隨著全球經濟的快速發展，航空業的碳排放問題日益凸顯。可持續航空燃料(Sustainable aviation fuel, 簡稱“SAF”)被認為是中短期實現民航碳減排目標的最主要技術路徑，根據國際航空運輸協會（International Air Transport Association, LATA）的分析，到2050年，65%的碳減排將通過使用SAF來實現。SAF與現有燃料輸送基礎設施完全兼容，可直接與傳統化石基航空煤油摻混（Drop-in Blending），且幾乎不需要對飛機進行改裝便可直接使用。與化石基航油相比，SAF不僅可以提供相似的飛行動力，而且能減少80%的碳排放。目前，SAF的適航認證需經過一套標準化的ASTM認證流程。該過程繁瑣且極其嚴苛，導致SAF研發的前期投入非常高昂。據保守估計，通過ASTM標準流程認證一款SAF至少要投入3-5年時間、1-2億人民幣以及生產超過60萬升SAF樣品，且該SAF產品仍有很大可能不滿足適航條件。SAF研發的高風險、高成本導致目前SAF的發展嚴重受限。盡管受到國際能源政策的強力驅動，自2009年以來，僅有幾種SAF被批準商業化使用，且其產能不足航空煤油總市場的1%。因此，亟需開發新技術，實現小體積、低成本、高效率的SAF評估與初篩，快速定位具有潛在廣泛應用前景的SAF。

【亮點創新】

（1）建立了小樣本學習框架，采用一種包含數據生成的多模態半監督回歸模型，有效解決了樣本信息缺失且樣本量不足的問題。

（2）基于航油組分信息，對14個ASTM標準物性進行實時預測，可實現低成本、高效率地評估和篩選具有潛力的SAFs，通過ASTM適航認證。

（3）提出了SAF故障診斷和綜合性能優化框架，基于多目標遺傳算法，對航油綜合性能進行定向優化調控，確保其關鍵屬性滿足ASTM標準要求。

【主要成果】

（1）基于多模態半監督回歸模型和數據生成的小樣本學習框架航油的理化和燃燒特性主要受其組成分布所主導。因此，有潛力通過航油的組分信息來實現快速且可靠地甄別潛在SAF。然而，盡管目前航油的生產使用非常廣泛，但針對不同生產地點、批次的航油組分信息非常局限。為了解決數據量不足的問題，本研究開發了基于多模態半監督回歸模型和數據生成的小樣本學習框架，能實現基于小數據樣本，可靠地構建從航油組分信息到目標參數的映射關系。本研究目標參數選擇航油的14個關鍵理化屬性進行映射關系構建，分別為：密度、十六烷值、6種蒸餾溫度（0%、10%、20%、50%、90%、100%）、閃點、冰點、燃燒熱值、表面張力、-20℃和-40℃下的粘度。這14個屬性涵蓋了燃料的基本理化性能，直接影響燃料在高空低溫、極端溫度變化及高速燃燒等特定條件下的表現。這14個屬性也是ASTM D7566和D4054標準中定義的關鍵指標，用于確保SAF能夠達到與傳統航空燃料相同的性能標準。圖1為所開發的小樣本學習框架在生成數據集上對14個關鍵屬性的預測結果。采用R-squared (R2)和Mean Absolute Error (MAE)作為模型評價指標。從圖1可知，所有屬性在訓練集、測試集、以及總數據集的R2均大于0.99，表示模型對數據的擬合能力非常強，MAE均小于0.31，表示模型的預測具有極高的準確度。

圖1 小樣本學習框架對14種理化性質的映射關系構建結果

（2）基于航油組分信息，對實際航油的14個關鍵屬性進行實時預測和評估基于小樣本學習框架所得到的映射關系，能實現基于航油化合物族分布和碳數分布信息，對實際航油的關鍵屬性進行實時預測。將該框架應用在傳統航油（Jet A、 Jet A-1、JP 5、JP 8等）、SAF（ATJ、FT、HEFA、SPK等）、兩者摻混燃料以及其他替代航油，其結果如圖2所示。從圖2可知，十六烷值（DCN）、密度、20%餾出溫度、50%餾出溫度和燃燒熱值的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，且預測精度都在各自的ASTM容差范圍內。另外，本研究提出的框架與現有框架相比，預測精度實現數量級提升、普適性更高、涵蓋的航油物性類別更全面，而且首次實現完全滿足ASTM的評估誤差。基于該框架，能實現在盲目擴大SAF生產前，小體積、低成本、高效率地對候選SAF產品綜合性能進行評估與初篩，從而極大地降低SAF的研發風險。

（3）SAF的故障診斷和綜合性能優化

在實際的SAF認證過程中，SAF可能無法通過某一個或多個環節的評測。此時需要對SAF進行故障診斷，并提出優化方案，用以指導SAF制備工藝的調整。為此，本文基于多目標遺傳算法，開發了一款創新的SAF故障診斷和綜合性能優化框架，能對SAF不滿足特定測評要求的原因進行故障分析，并在此基礎上，在用戶自定義限制框架（經濟、碳足跡、適航等指標）內，對航油的組分信息進行定向優化。

圖3中展示了使用該優化算法，對一款基于ATJ技術路徑的潛在SAF油品進行故障診斷和優化的動態過程。優化的目標為使其全部屬性滿足ASTM、傳統航油Jet A和Jet A-1的性能范圍要求。可以看到，所評估的SAF油品初始密度、冰點、燃燒熱值、和表面張力均不在ASTM，或Jet A和Jet A-1的范圍內，但通過遺傳算法的逐步優化，最終該候選SAF的全部屬性都進入到目標區間內，并且燃料性能發生了很大變化。比如，密度從765 kg/L提高到798 kg/L，燃燒熱值從43.51 MJ/kg降低到42.9 MJ/kg，表面張力從25.1提高到27.7等。優化后屬性都完全符合Jet A和Jet A-1的物性范圍。優化前該候選SAF的異構烷烴（iso-paraffins），正構烷烴（n-paraffins），和單環烷烴（monocycloparaffin）的質量百分比占比較高分別為51.5%，14.2%，16.5%，優化后分別為23.02%，16.21%，19.84%。該優化框架能根據用戶需求對航油綜合性能進行定向優化調控，并診斷SAF油品故障，為SAF生產商提供反饋信息，指導制備工藝優化方向。

圖3 基于ATJ技術路徑的潛在SAF油品動態診斷和優化過程

【小結】

本研究發展了針對航油的小樣本學習框架，并在此基礎上構建了準確可靠的航油組分和關鍵理化屬性之間的映射關系，可實現根據航油組分信息，對14個ASTM定義的關鍵屬性進行實時預測。在此基礎上，發展了基于多目標遺傳算法的SAF故障診斷和定向優化框架，能給予用戶自定義需求，優化調控候選SAF產品的綜合性能。本研究所提出的創新SAF預篩選框架，能實現小體積、低成本、高效率、低風險的SAF評估與初篩，以及SAF性能的定向調控，并為SAF生廠商提供反饋信息，指導制備工藝優化方向。該框架將有效縮短SAF油品的開發時間，提高SAF產品在整個ASTM認證過程的效率和成功率，對推動SAF的實際應用發展和我國航空運輸業減碳進程具有重要的應用價值。

【北京點石高科熱島 & 定容彈科研設備助力航空燃料燃燒特性的研究】

北京點石高科自主研制的熱島、定容彈等科研設備可用于研究航空燃料在高空低溫、極端溫度變化及高速燃燒等特定條件下的表現。

熱島可構建復合型實驗環境（高溫、低溫、高壓、低壓、富氧、貧氧），并對實驗過程進行實時監控、觀察記錄和產物分析，獲取關鍵參數（燃點、熱值、質量損失、產物成分），用于航空燃料的燃燒或熱解特性研究。

定容彈可測試復合環境下航空燃料的燃爆特性，對實驗過程進行實時監測與觀察，支持數據采集與產物分析，用于層流燃燒、湍流燃燒、一次性燃燒、連續燃燒的研究。