基于非劣解排序遗传算法的航空煤油燃烧特性数值模拟分析

范玮卫，常亚超，牛 波，王云慧

基于非劣解排序遗传算法的航空煤油燃烧特性数值模拟分析

范玮卫1，常亚超2，牛 波2，王云慧1

（1.河南工学院 车辆与交通工程学院，河南 新乡 453003；2.大连理工大学 能源与动力学院，辽宁 大连 116024）

采用非劣解排序遗传算法对已有的航空煤油化学反应动力学机理进行优化。同时，通过引入醇类及苯类替代燃料，调整替代燃料组合比例，尝试模拟分析不同航空煤油的燃烧特性。将不同组合的替代燃料模拟结果与实际航空煤油实验燃烧数据进行对比分析，可知低比例正烷烃、高比例异构烃、配合部分芳香烃以及微量含氧物质能够较好地反映部分航空煤油着火特性。最终，本研究得到的替代燃料组合由摩尔占比分别为25%的正十六烷（C16H34）、50%的异十六烷（IC16H34）、20%的甲苯（C7H8）和5%的正戊醇（C5H11OH）组成，该骨架机理仅包含102个物质和302个基元反应，能够准确描述6种不同航空煤油的燃烧特性。

航空煤油；燃烧特性；化学反应动力学机理；非劣解排序遗传算法

1 综述

航空煤油作为航空器的国际通用燃料，具有良好的吸热性，其在高速飞行器中的燃烧反应，既能起到动力输出的作用，还能为航空发动机提供冷却控制[1]。同时，航空煤油还具备闪点高、挥发性弱、不易着火等安全特性，利于储运[2]。目前，对航空煤油燃烧特性的研究成为焦点，研究方向主要有两个：一个是采用新型替代燃料组分，模拟分析航空煤油的燃烧特性[3-5]；另一个则关注如何利用生物原料制备生物质航空煤油，以应对能源短缺和温室气体排放等问题[2, 6, 7]。两类研究中，后者的研究往往是证明生物质航空煤油具备与石化航空煤油相似的燃烧特性，甚至有近似的理化性质[8]。因此，构建能够精确描述航空煤油燃烧特性的化学反应动力学机理，对于生物质航空煤油燃烧特性的基础研究具有重要意义。但受实际航空煤油组分复杂性的影响，常导致所构建的替代燃料化学反应机理数据库过于庞大[9-11]，从而使数值模拟研究对计算性能及时间需求大幅增加。而经过简化后的机理则难以精确描述燃料燃烧特性，并且缺乏普适性[12]。

结合机理分析燃烧行为，可分为着火延迟、快速燃烧和可控燃烧及最终燃烧三个阶段[13]。但是，如果反应初始温度和压力低于临界值，则燃料无法被有效引燃。因此，着火特性决定着整个燃烧过程，且影响燃料在发动机内燃烧的热效率[14]。

本研究拟通过合理搭配替代燃料组分，构建并优化相应化学反应动力学机理，以便较好地模拟各类航空煤油燃烧特性，特别是着火特性。该机理应当具备较为合理的结构规模，同时能够对航空煤油着火特性进行高效精确的描述。此外，该机理还需具备相当的普适性，以适应更多类型的航空煤油着火特性。

2 替代燃料选取

目前所研究的航空煤油以Jet-A[15,16]、JP-8[5, 17]、JP-5[4]等种类为主。但是航空煤油的实际成分极为复杂，且同一燃料在不同标准下也有所差异，这可能会导致燃烧特性的偏移[18, 19]。因此构建能够用于描述不同航空煤油燃烧特性的机理十分困难，特别是对于骨架机理而言。

而以生物质航空煤油为主的替代产品，多以能够获得与商用航空煤油相似的燃烧特性为研究重点，以实现燃料的可再生性和通用性[20-22]。但是，如果没有准确模拟航空煤油燃烧特性的化学反应机理，就很难对生物质航空煤油进行分析和优化。因此，基于合理选取的替代燃料，构建适用的化学反应动力学机理，结合计算流体力学[23, 24]建立多维模型，并通过数值模拟研究各类燃料的燃烧特性是相关研究的基础。

通过本课题组前期研究工作[25]可知，大部分航空煤油中都含有一定比例的苯环[26]和含氧组分[22, 27]，仅通过正异烷烃组合难以准确描述不同航空煤油的分子结构、反应路径变化趋势以及燃料的燃烧特性。因此本研究将补充苯及醇类组分以完善机理。由于甲苯是芳香烃化合物中最经典的代表物质之一[28]，且各类航空煤油中都有相当比例的芳香族化合物成分，因此甲苯是多元替代燃料甲苯掺比燃料的核心组分[29, 30]。本研究也将甲苯作为替代燃料组分之一[31]。

在众多的生物醇中，正戊醇由于与柴油具有相似的密度和粘度以及与其他醇相比具有竞争性的化学性质，被认为是最有潜力的下一代生物燃料之一[32, 33]。因此，本研究采用正戊醇作为燃料内含氧组分的核心替代燃料组分，相应机理为文献[34]构建的正戊醇机理。

3 骨架机理构建

由于燃料在发动机内的燃烧过程是一个极为复杂的化学反应过程，同时还受反应室内各类物理化学特性的影响。因此，利用数值模拟技术分析燃料燃烧特性逐渐替代实验和经验方法已成为业内研究主流。同时由于燃料着火延迟数据又是指导和验证化学反应动力学机理的核心数据[35]，因此，目前燃料着火特性的研究焦点在于如何更好地优化反应组分、反应路径、反应参数等，形成能够精准描述燃料燃烧过程的化学反应动力学机理。其中以美国劳伦斯国家实验室[36]的详细化学反应动力学机理为代表，它涵盖了全面的组分及反应式。该机理虽然能够较好描述燃料燃烧特性，但由于其过于庞大的机理规模，很难应用于日常燃料燃烧过程分析，特别是耦合多维计算流体力学（Computational Fluid Dynamics，CFD）模型的模拟计算。这就要求研究人员必须对详细机理进行简化处理，在保留足够预测精度的同时，尽量减小机理规模。这就使得采用各种方法优化和简化机理成为新的研究热点。其中，仅保留少量核心物质和化学反应，精确预测燃料主要燃烧特性的机理也被称为骨架机理。文献[37]综合运用骨架和集总法建立的化学反应动力学机理简化方法，被称为解耦法[31]。该方法的核心是保留C1-C0详细机理，优化C2-C3机理为过渡，通过精简和优化，补充完善C4及以上大分子子机理为骨架[38]。该方法构建的机理能够精确反映快速燃烧、可控燃烧及熄火特性，还能够与适当的子机理结合反映燃料燃烧排放特性。同时，该机理只需将脱氢、氧化、过氧化、酮化、链分支、β-裂解以及裂解产物氧化等几个重要反应类型[36]进行筛选优化，使得大分子子机理结构适当，就能精确描述燃料燃烧的着火特性、火焰特性，同时兼顾机理规模和性能。

本研究采用解耦法，以前期工作[25]得到的正异十六烷骨架机理为核心，辅以甲苯子机理[31]和正戊醇子机理[34]，构建四元替代燃料燃烧模型，并以此模型分析不同航空煤油的燃烧特性。最终，该机理由102种物质和302个基元反应组成，相较于目前主流的详细、半详细航空煤油化学反应动力学机理[9-11]，机理规模具有明显优势，能够提高计算效率，适用于各类工程研究。

4 非劣解排序遗传算法优化机理

自1975年Holland教授开创了遗传算法后[39]，遗传算法始终在工程方案[40]和人机交互[41]等交叉学科领域发挥着巨大的作用。遗传算法是模拟基因遗传进化过程的智能搜索算法，能求解复杂函数的最优解。遗传算法具备自适应性，可以进行全局优化求解，核心思路简洁，计算方式规范，运算操作需求简单。这使其成为多目标复杂函数求解的高效工具。目前主流的遗传算法有向量评估遗传算法[42]、多目标遗传算法[43]、非支配排序遗传算法[44]、小生境遗传算法[45]、抗力Pareto进化算法[46]等。其中非支配排序遗传算法既保留了种群多样性，同时又能充分确保优良个体的遗传。但该方法有计算复杂、容易丢失特优解、还需要人为指定参数等问题。因此研究人员基于分层思维，增加了精英策略、调整了计算需求量，排除了人为干扰，形成了非劣解排序遗传算法[47]，并对该方法进行持续改进[48]。

由于非劣解排序遗传算法具备快速优化、降维求解、忽略共享参数、策略更优、每代解更优良等特点，因此本研究采用同课题组人员开发的非劣解排序遗传算法程序对构建的四元替代燃料骨架机理进行优化。

5 数值模拟分析

本研究对文献[49,50]中的Jet-A、JP-5、JP-8、LPA-142/、LPA-210和Sasol IPK六种航空煤油的着火特性数据逐一进行了对比分析。

5.1 组分配比

为了提高模拟精度，本研究首先将四元替代燃料正十六烷、异十六烷、甲苯和正戊醇分别以不同比例混合，表征不同类型的替代燃料。在其他研究人员的工作中[16, 50, 51]，以上六种燃料中芳香烃含量在0~25%之间。但不论是Violi surrogate[52]、Wood surrogate[53]，还是Honnet小组、Dooley小组、Naik小组的替代燃料[9-11]，都以环苯萘为主要配比组分。由于甲苯的加氢和环化反应均可与环烷烃和萘苯类物质相互转化，所以本研究只选取甲苯作为此类物质的代表。

根据节能减排的要求，航空煤油中芳香烃的含量是越低越好，但各类石化航空煤油中依然含有少量芳香烃成分[20, 21, 54]。而生物质航空煤油的优势就在于芳香烃含量极少，具备优异的燃烧特性[2]。由于生物质航空煤油以生物质为原料，通过热解等方法会生成大分子生物质油，其成分十分复杂，特别是含氧组分较多，如酸、醛、酮、醇等含氧杂质严重影响其性能及适用范围[55]。目前，生物质航空煤油的制备脱氧率基本保持在75%到接近100%[27]。本研究的目的是采用数值模拟方法分析包括生物质航空煤油在内的各种航空煤油燃料的燃烧特性，因此，在常规三元替代燃料之外增加了正戊醇作为含氧杂质的代表，并设定其含量在0~25%之间变化，为研究生物质航空煤油燃料燃烧提供依据，拓展该四元替代燃料骨架机理的适用范围。

四元替代燃料中正异十六烷需要随以上两种辅助组分的比例进行适当调节，且保持辅助组分总含量不大于25%。

5.2 机理优化

本研究利用非劣解排序遗传算法优化程序[56]，并耦合Chemkin-Pro对不同配比的四元替代燃料骨架机理进行优化。优化指标为阿伦尼乌斯方程中的指前因子，优化思路采用宏观唯象动力学研究思路，对比数据为各类航空煤油由激波管实验获得的燃料着火延迟数据。优化流程如图1所示：

图1 非劣解排序遗传算法耦合CHENKIN-PRO优化化学反应动力学机理流程图

由于解耦法构建骨架机理的本质在于将基元反应的指前因子参数进行适当调整，使之能够代表一类反应的集合，特别是大分子子机理部分，因此，利用非劣解排序遗传算法优化机理的基本流程如下：

（1）首先由每种组合产生的原始机理在一定范围内调整大分子子机理基元反应的指前因子参数，随机产生N个机理构成初代种群Pt。本研究中指前因子取值范围在AiE±10，Ai表示大分子子机理中第i个反应的指前因子，i的取值范围为1~106，代表了C4及以上大分子基元反应的数量。

（2）调用Chemkin-Pro程序利用初代种群Pt中的每个机理测试其目标函数解的精度。本研究主要针对的目标为六类航空煤油十种工况下的着火延迟数据。通过求目标函数解并与实验数据逐一对比分析，可知每个机理的预测精度，从而判断该机理是否具备优良的适应度。

（3）根据上述分析结果，对初代种群Pt中的每个机理进行非支配分层、拥挤度计算，并按优劣进行排序。

（4）将初代种群Pt中具有遗传优势的机理，通过选择、交叉和变异等操作，产生含N个新反应机理的后代种群Qt。然后对后代种群Qt中的每个机理进行（2）的计算，确定其适应度。

（5）优选前期机理形成精英种群Pt+1。这步首先需要合并初代种群Pt和后代种群Qt生成一组包含两组共2N个机理的合并种群Rt。然后根据初代种群Pt和后代种群Qt各自的适应度，根据非支配分层、拥挤度计算，并按优劣进行排序的结果，择优选取N个精英机理进入下一代，即精英种群Pt+1。

（6）由新产生的精英种群Pt+1取代初代种群Pt成为下一组循环（2）~（5）的“初代种群Pt”，直至繁衍代数达到收敛标准或预设代数值，遗传终止并输出最终结果作为最优机理。

5.3 数值模拟

采用上述优化步骤，本研究针对Jet-A、JP-5、JP-8、LPA-142、LPA-210和Sasol IPK六种航空煤油[49, 50]在十组工况下共计245个着火延迟实验数据进行优化后，根据最优四元替代燃料组合以及各自最终优化机理分别进行了预测精度分析。根据所有分析结果，本研究选取其中14个有代表性的四元替代燃料组合及其最终优化机理进行对比分析，具体燃料组合配比见表1。

表1 四元替代燃料成分比例 （摩尔质量百分比，%）

注：组合12为模拟芳香烃极限比例的特例。

根据以上14个组合的最终优化机理，预测分析六种航空煤油在当量比为1、压力20 atm条件下的着火特性（见图2）。从图2可知，本文所选取的14种组合各有优劣，能够充分反映四元替代燃料中各组分变化对于预测各类航空煤油着火特性精度影响的规律。组合1的预测结果在负温度系数（NTC）[57, 58]处着火延迟加速，快于实验值，说明正烷烃比例较高时会提高燃料着火速度。组合2的整体预测精度较好，说明低比例正烷烃、高比例异构烃配合部分芳香烃以及微量含氧物质能够较好地反映实际航空煤油着火特性[3]。组分3由于异构烃的比例增加，正烷烃的比例较低，因而提高了燃烧难度[59-63]，导致着火延迟延长。组合4、5和10均无法很好地预测NTC部分变化趋势，这与正烷烃比例过高有关[27]。组合6和7由于含氧物质增加，导致低温着火延迟，造成预测产生偏差。组合8、11和12都因为无含氧物质，仅芳香烃比例变化导致预测值偏高。组合9、13和14代表了生物质航空煤油的部分特性，由于缺少芳香烃组分，导致整体预测精度较好，但几乎等比例的正异烷烃也会对预测值产生部分影响[27]。虽然组合9的预测结果较优，但其过高的含氧物质比例不符合生物质航空煤油的脱水标准[55]，因此不能作为最佳机理。

通过图2的整体分析，可以得出适用于石化和生物质航空煤油的通用机理应该由比例适当的正异烷烃（正烷烃少于异构烃）加上部分芳香烃及微量含氧物质组成。该机理可以实现对石化或生物质航空煤油的着火特性预测。该机理具备相对稳定的成分和结构以及合理的大小，对于预测成分复杂的商用燃料，既能够复现燃料燃烧行为，又能够显著降低CFD模拟的计算消耗。

图2所分析的14种组合部分显示结果非常近似，为了明确各个组合的预测精度，本研究统计了各个组合经过优化后的最终机理平均预测误差值。具体数据见表2。根据表2数据所示，部分组合骨架机理对遗传算法不收敛，仅传播数代即跳出，因此平均预测误差值较差。而最佳平均预测误差值出现于优化代数最高的组合2的机理预测结果中，也体现了遗传算法代数越多优化结果越好的基本作用。

表2 14种组合优化机理预测精度

根据图2和表2所示结果，由最佳组合2优化机理对Jet-A在不同条件下的着火延迟实验数据进行了预测，预测结果如图3所示。由图3-A所示，该机理可以准确地反映当量比为1、压力20atm条件下高温着火的延迟数据，较好地复现了NTC的变化趋势。同样，该机理对其他工况下的高温着火延迟数据的预测也相对较好。该机理成分比例反映了包括生物质航空煤油在内的通用航空煤油燃料核心组分的大致组成。不过，在各个条件下，该机理对低温着火延迟数据预测精度有所下降。这一变化规律与图3-B基本一致。这说明针对广泛航空煤油燃烧特性优化而得到的化学反应动力学机理，能够较好地预测各个燃料的高温着火特性，但对低温着火部分的预测精度均有偏差。这是由于大分子子机理包含的含氧物质及芳香烃比例仍与各个航空煤油实际组分有所差异。

6 结论

本研究通过搭配四元替代燃料的比例，构建航空煤油通用化学反应动力学机理，并用非劣解排序遗传算法对每个机理进行优化，根据优化后的骨架机理分别对Jet-A、JP-5、JP-8、LPA-142、LPA-210和Sasol IPK六种航空煤油在十组工况下共计245个着火延迟实验数据进行对比分析，确定最佳组合为C16H34摩尔占比25%、IC16H34摩尔占比50%、C7H8摩尔占比20%、C5H11OH摩尔占比5%。

该组合对于以上航空煤油在宽泛工况下的着火特性预测精度较好，预测着火延迟的平均相对误差为16.6%，优于其他组合。并且其成分比例也与相关研究中各类航空煤油实际组成比例吻合。同时该机理具备良好的机理规模和普适性，能够很好地与不同数值模拟程序耦合，实现高精度、低算力和少耗时的工程实践应用。

[1] 徐可可,航空煤油RP-3超临界压力湍流传热和裂解吸热现象的数值模拟研究[D].杭州：浙江大学,2017.

[2] 齐泮仑,何皓,胡徐腾,等,航空生物燃料特性与规格概述[J]. 化工进展,2013,32(1): 91-96.

[3] 臧雪静,周冠宇,杨晓奕, 航空替代燃料低温点火关键物质研究 [J].北京航空航天大学学报,2018,45(5):176-182.

[4] COWART J, FOLEY M P, LUNING PRAK D. The development and testing of Navy jet fuel (JP-5) surrogates [J]. Fuel, 2019, 249(1): 80-88.

[5] Wang, B Y, Liu Y X , Weng J J, et al. An experimental and modeling study on the low temperature oxidation of surrogate for JP-8 part II: Comparison between neat 1,3,5-trimethylbenzene and its mixture with n-decane [J]. Combustion and flame, 2018, 192: 517-529.

[6] 席帅, 李建飞, 邓浩, 等. 生物质制备航空煤油技术分析 [J]. 江西化工, 2019(5): 116-118.

[7] 张旭, 陈玉保, 高燕妮, 等. 麻疯树油一步加氢催化制备生物航空煤油[J]. 中国油脂, 2018, 43(1): 48-51+75.

[8] DA SILVA J Q, SANTOS D Q, FABRIS J D, et al. Light biodiesel from macaúba and palm kernel: Properties of their blends with fossil kerosene in the perspective of an alternative aviation fuel [J/OL]. Renewable energy,[2019-12-10].https://doi.org/10.1016/j.renene.2019.11.035.

[9] HONNET S, SESHADRI K, NIEMANN U, et al. A surrogate fuel for kerosene [J]. Proceedings of the combustion institute, 2009, 32(1): 485-492.

[10] DOOLEY S, WON S H, CHAOS M, et al. A jet fuel surrogate formulated by real fuel properties [J]. Combustion and flame, 2010, 157(12): 2333-2339.

[11] NAIK C V, PUDUPPAKKAM K V, MODAK A, et al. Detailed chemical kinetic mechanism for surrogates of alternative jet fuels [J]. Combustion and flame, 2011, 158(3): 434-445.

[12] LIU T, JIA Q E, YANG W M, et al. Investigation on the applicability for reaction rates adjustment of the optimized biodiesel skeletal mechanism[J]. Energy, 2018, 150: 1031-1038.

[13] Sandia National Laboratories, Engine Combustion Network [DB/OL].[2019-12-10].http://www.sandia.gov/ecn/cvdata/dsearch/frameset.php.

[14] 张英佳, 黄佐华, 王金华, 等. 激波管研究煤油/空气混合气的自着火特性 [J]. 科学通报, 2011. 56(1): 88-96.

[15] CHONG C T, HOCHGREB S. Spray flame structure of rapeseed biodiesel and Jet-A1 fuel[J]. Fuel, 2014, 115: 551-558.

[16] WIDEGREN J A, BRUNO T J. Thermal decomposition kinetics of the aviation turbine fuel Jet A [J]. Industrial and engineering chemistry research, 2008, 47(13): 4342-4348.

[17] LEE J, CHU S, et al. Emission reduction potential in a light-duty diesel engine fueled by JP-8[J]. Energy, 2015, 89: 92-99.

[18] 冉国朋,中国喷气燃料的发展近况[J].国际航空,1995(9): 35-36.

[19] 曲连贺,朱岳麟,熊常健.航空燃料发展综述[J].长沙航空职业技术学院学报, 2009(2): 37-41.

[20] 刘强,邱敬贤,彭芬,等.生物航空煤油的研究进展[J].再生资源与循环经济,2018,11(5):24-27.

[21] 詹婷雯, 邓志彬. 可持续航空燃料发展评价与对策研究[J]. 科技创新与应用,2019,258(2):157-158.

[22] KALTSCHMITT M, NEULING U. Biokerosene: status and prospects[M].Berlin:Springer,2018.

[23] BRAKORA J L , YOUNGCHUL R , REITZ R D , et al. Development and validation of a reduced reaction mechanism for biodiesel-fueled engine simulations[J]. SAE international journal of fuels and lubricants, 2008, 1(1):675-702.

[24] MOHAMED ISMAIL H, NG H K, GAN S, et al. Development of a reduced biodiesel combustion kinetics mechanism for CFD modelling of a light-duty diesel engine[J]. Fuel, 2013, 106: 388-400.

[25] FAN W W, JIA M, CHANG Y C, et al. Understanding the relationship between cetane number and the ignition delay in shock tubes for different fuels based on a skeletal primary reference fuel (n-Hexadecane/Iso-cetane) mechanism [J]. Energy and fuels, 2015, 29(5): 3413-3427.

[26] COLKET M, EDWARDS T, WILLIAMS S, et al. Development of an experimental database and kinetic models for surrogate jet fuels [C]. Reno: American Institute of Aeronautics and Astronautics (AIAA), 2007.

[27] 李兴勇, 蓖麻油一步加氢制航空煤油及其催化材料构建[D].昆明：云南师范大学,2019.

[28] METCALFE W K, DOOLEY S, DRYER F L. Comprehensive detailed chemical kinetic modeling study of toluene oxidation [J]. Energy and fuels,2011,25(11):4915-4936.

[29] GAUTHIER B M, DAVIDSON D F, HANSON R K. Shock tube determination of ignition delay times in full-blend and surrogate fuel mixtures [J]. Combustion and flame, 2004, 139(4):300-311.

[30] ANDRAE J C G. Comprehensive chemical kinetic modeling of toluene reference fuels oxidation [J]. Fuel, 2013, 107: 740-748.

[31] CHANG Y C, JIA M, LI Y P, et al. Development of a skeletal mechanism for diesel surrogate fuel by using a decoupling methodology [J]. Combustion and flame, 2015, 162(10): 3785-3802.

[32] WEI L, CHEUNG C S, HUANG Z. Effect of n-pentanol addition on the combustion, performance and emission characteristics of a direct-injection diesel engine [J]. Energy,2014,70:172-180.

[33] MA Y, HUANG S, HUANG R, et al. Ignition and combustion characteristics of n-pentanol–diesel blends in a constant volume chamber [J]. Applied energy, 2017, 185(1): 519-530.

[34] CHANG Y C, JIA M, NIU B, et al. Construction of a skeletal oxidation mechanism of n-pentanol by integrating decoupling methodology, genetic algorithm, and uncertainty quantification [J]. Combustion and flame, 2018, 194: 15-27.

[35] DAGAUT P. On the kinetics of hydrocarbons oxidation from natural gas to kerosene and diesel fuel [J]. Physical chemistry chemical physics, 2002, 4(11): 2079-2094.

[36] WESTBROOK C K, PITZ W J, HERBINET O, et al. A comprehensive detailed chemical kinetic reaction mechanism for combustion of n-alkane hydrocarbons from n-octane to n-hexadecane [J]. Combustion and flame, 2009, 156(1): 181-199.

[37] LIU Y D, JIA M, XIE M Z, et al. Enhancement on a skeletal kinetic model for primary reference fuel oxidation by using a semidecoupling methodology [J]. Energy and fuels, 2012, 26(12): 7069-7083.

[38] CHANG Y C, JIA M, LI Y P, et al. Application of the optimized decoupling methodology for the construction of a skeletal primary reference fuel (PRF) mechanism focusing on engine-relevant conditions [J]. Frontiers in mechanical engineering, 2015, 1: 2297-3079.

[39] Holland J H. Adaptation in natural and artificial system[M]. Massachusetts: MIT Press,1992.

[40] GOLDBERG D E. Genetic algorithm in search, optimization, and machine learning [M]. Massachusetts: Addison-Wesley, Reading,1989.

[41] KOZA J. Genetic programming: on the programming of computers by means of natural selection [M]. Massachusetts: MIT Press, 1992.

[42] SCHAFFER J D. Multiple objective optimization with vector evaluated genetic algorithms [C]. Pittsburgh: International Conference on Genetic Algorithms (ICGA), 1985.

[43] FONSECA C, FLEMING P. Genetic algorithms for multiobjective optimization: formulation discussion and generalization [C]. Urbana-Champaign: International Conference on Genetic Algorithms (ICGA), 1993.

[44] SRINIVAS N, DEB K. Muiltiobjective optimization using nondominated sorting in genetic algorithms[J]. Evolutionary computation,1994,2(3):221-248.

[45] HORN J, NAFPLIOTIS N, GOLDBERG D. Multiobjective optimization using the niche pareto genetic algorithm [C]. Orlando: IEEE Conference on Evolutionary Computation,1994.

[46] ZITZLER E, THIELE L. Multiobjective evolutionary algorithms: a comparative case study and the strength Pareto approach [J]. IEEE transactions on evolutionary computation,1999,3(4):0-271.

[47] DEB K, PRATAP A, AGARWAL S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-II [J]. IEEE transactions on evolutionary computation, 2002, 6(2):0-197.

[48] EDUPUGANTI V, PRASAD M, RAVI V. A fast and elitist multiobjective genetic algorithm: NSGA-II [J]. International journal of computer information systems and industrial management applications,2010,2:121-136.

[49] WANG H, OEHLSCHLAEGER M A. Autoignition studies of conventional and Fischer–Tropsch jet fuels [J]. Fuel, 2012,98:249-258.

[50] VALCO D, GENTZ G, ALLEN C, et al. Autoignition behavior of synthetic alternative jet fuels: An examination of chemical composition effects on ignition delays at low to intermediate temperatures [J]. Proceedings of the combustion institute,2015,35(3):2983-2991.

[51] MOSES C A. Comparative evaluation of semi-synthetic jet fuels [R]. Washington D.C.: US Air Force Research Laboratories, 2008.

[52] VIOLI A, YAN S, EDDINGS E G, et al. Experimental formulation and kinetic model for JP-8 surrogate mixtures [J]. Combustion science and technology, 2008, 174(11-12): 399-417.

[53] WOOD C P, MCDONELL V G, SMITH R A, et al. Development and application of a surrogate distillate fuel [J]. Journal of propulsion and power, 1989, 5(4): 399-405.

[54] 李娜,陶志平.国内外喷气燃料规格的发展及现状[J].标准科学,2014(2):82-85.

[55] 桑小义,李会峰,李明丰,等.生物质热解油的特性及精制 [J]. 石油学报(石油加工),2015,31(1):178-187.

[56] NIU B, JIA M，XU G F, et al. Efficient approach for the optimization of skeletal chemical mechanisms with multiobjective genetic algorithm [J]. Energy and fuels, 2018, 32(6): 7086-7102.

[57] LEWIS B, ELBE G V. Combustion flames and explosions of gases [M]. Washington D.C.: Science, 1952.

[58] GRIFFITHS J F, BARNARD J A. Flame and combustion [M]. 3rd ed. London: Blackie Academic and Professional, 1996.

[59] MEHER L C, VIDYA S D, NAIK S N. Technical aspects of biodiesel production by transesterification—a review [J]. Renewable and sustainable energy reviews, 2006, 10(3): 248-268.

[60] İÇINGÜR Y, ALTIPARMAK D. Effect of fuel cetane number and injection pressure on a DI Diesel engine performance and emissions [J]. Energy conversion and management, 2003, 44(3): 389-397.

[61] KNOTHE G, MATHEAUS A C, RYAN T W. Cetane numbers of branched and straight-chain fatty esters determined in an ignition quality tester [J]. Fuel, 2003, 82(8): 971-975.

[62] JESSUP P J, DILLON D M, BRASS S G, et al. Cetane number improvement: USP4723964 [P]. 1988-02-09.

[63] BOERLAGE G D, BROEZE J J. Knock-rating for high-speed C.I. engine fuels [C]. London: World Petroleum Congress, 1933.

Numerical Simulation of the Combustion Characteristics of Aviation Kerosene Based on Non-dominated Sorting Genetic Algorithm

FAN Wei-wei1, CHANG Ya-chao2, NIU Bo2, WANG Yun-hui1

(College of Vehicle and Transportation Engineering, Henan Institute of Technology, Xinxiang 453003, China; 2.School of Energy and Power Engineering, Dalian University of Technology, Dalian 116024, China)

This paper proposes to optimize the given chemical reaction mechanisms of aviation kerosene automatically by the non-dominated sorting genetic algorithm. Through introducing alcohol and aromatic hydrocarbon, the combustion characteristics of different aviation kerosene can be accurately simulated by adjusting the proportion of each component. By comparing the simulation results using different combinations to the experimental data of actual aviation kerosene, the ignition characteristics of aviation kerosene can be reproduced by adopting a low proportion of n-alkanes, high proportion of isomeric hydrocarbons, some aromatic hydrocarbons, and small fraction of oxygenated component. The final skeletal mechanism for the aviation kerosene surrogate fuel consists of 102 species and 302 reactions, which includes 25% n-hexadecane (C16H34), 50% iso-hexadecane (IC16H34),20% toluene (C7H8),and 5% n-pentanol (C5H11OH).The new developed chemical mechanism is capable of accurately describing the combustion characteristics of six different aviation kerosene.

aviation kerosene; combustion characteristics; chemical reaction mechanism; non-dominated sorting genetic algorithm

TK16

A

2096–7772(2020)01–0046–09

2019-12-28

河南省重点研发与推广专项（科技攻关）项目（182102210263）；河南工学院高层次人才科研启动基金（KQ1832）

范玮卫（1980―），男，河南新乡人，讲师，博士，主要从事化学反应动力学机理、燃烧学、内燃机研究。

（责任编辑吕春红）