乙醇和甲醇对氨-甲烷燃烧中NOx排放的影响：基于ReaxFF模拟和机器学习外推
无序系统与神经网络
2025-11-25 v4 统计力学
量子物理
摘要
氨-甲烷(NH3-CH4)燃烧作为氢气载体能源的开发面临诸多挑战，包括显著的NOx排放，阻碍了其实际应用。本文考察了乙醇(C2H6O)和甲醇(CH4O)添加剂对NOx形成路径的影响，使用ReaxFF分子动力学(MD)模拟在2000 K和3000 K的温度下。评估了十个精心设计的燃料混合物(C1-C10)，在0%、5%和10%的酒精浓度下。研究结果表明，添加酒精可有效抑制NOx生产，尤其在高温下效果更佳。在3000 K时，10%乙醇添加和10%甲醇添加分别将NOx产量降低约39.6%和30.1%。这种抑制归因于电荷重新分配和通过稳定路径（如HNO、HNO2和N2O）将氮中间体定向。模拟推导出的描述符作为机器学习(ML)模型的训练数据，包括随机森林回归(RFR)、支持向量回归(SVR)、梯度提升回归(GBR)和全连接神经网络(FCNN)。 RFR的性能优于其他模型，R2为0.993，平均绝对误差(MAE)为0.661。训练好的ML模型成功预测了两种模拟酒精比例（0%、5%和12%）以及非模拟酒精比例（2%、7%和12%）的NOx排放，展示了基于混合物理信息ML算法对复杂化学行为的外推能力，大多数外推乙醇案例的预测误差均在5%以下。该结果表明，ReaxFF信息化的ML框架成功地为设计更清洁的燃料提供了基础，并且能够为未来在燃烧化学中建立可靠的预测模型结构。
引用
@article{arxiv.2507.16567,
title = {False signatures of non-ergodic behavior in disordered quantum many-body systems},
author = {Adith Sai Aramthottil and Ali Emami Kopaei and Piotr Sierant and Lev Vidmar and Jakub Zakrzewski},
journal= {arXiv preprint arXiv:2507.16567},
year = {2025}
}
备注
Revised and enlargened version, close to that accepted by NJP