近日，我院何志霞教授团队在《Applied Energy》应用能源期刊上发表研究性论文“An enhanced automated machine learning model for optimizing cycle-to-cycle variation in hydrogen-enriched methanol engines”（基于自动机器学习增强模型的富氢甲醇发动机循环变动优化研究）（Appl. Energy, 362:123019, 2024）。博士生朱怡自为论文第一作者。

绿电制氢和二氧化碳合成甲醇，作为液体燃料，可解决储氢、运氢的行业难题，在发动机上的应用备受关注。甲醇重整氢发动机可解决甲醇发动机低温启动性能差、热效率低等问题，也具备降低发动机循环变动的潜力，而运行策略优化是关键，基于数据驱动的机器学习模型成为一种新的研究手段。然而针对CFD这类数据集样本数较少情况，普通机器学习模型无法达到较好预测效果，同时，传统CFD方法非常耗时也很难获取发动机循环变动信息。本研究引入了基于自动机器学习框架的增强模型：1）基于遗传算法的主动学习方法生成用于训练的数据集，极大提高数据集质量；2）采用分类模型对数据集中失火、爆震、排放过高等算例进行分类识别，提高数据利用效率；3）采用特征构造的方法捕获更多信息。进而，基于小样本数据集完成模型优化，并获得了更高的预测精度，与多目标遗传算法耦合，获得了考虑循环变动约束的甲醇重整氢发动机高效、稳定燃烧的最佳运行策略。

本研究开发的基于自动机器学习框架的增强模型在实现更高质量的Pareto前沿解前提下，降低CFD计算时间成本约20%。而引入发动机循环变动的考量因素后，模型优势更为突出，在计算成本上，优化时间从0.3 h增加到0.8 h，而传统CFD方法则需要增加至原来的500倍。本文工作为发动机循环变动特性的研究提供了新的思路。

文章链接：https://doi.org/10.1016/j.apenergy.2024.123019.