Группа исследователей из Бразилии, Великобритании и Испании разработала продвинутую систему проектирования топлива с использованием искусственного интеллекта и методов машинного обучения. Эта система позволяет значительно ускорить процесс создания новых топливных смесей: вместо многонедельных лабораторных испытаний перспективные составы можно подобрать всего за несколько часов. В результате работы ученым уже удалось сгенерировать 157 рецептов топлив, которые обладают всеми характеристиками для использования в дизельных двигателях и способны сократить выбросы сажи более чем на 70% по сравнению с традиционным дизельным топливом.
В отраслях, где переход на электричество невозможен или крайне затруднен (таких как тяжелый транспорт, авиация и морские перевозки) жидкое ископаемое топливо остается незаменимым источником энергии. Однако на фоне климатических вызовов больше внимания уделяется альтернативам, включая синтетические и биологические жидкие виды топлива. Но разработка таких составов сталкивается с рядом трудностей. Новое топливо должно сочетать воспламеняемость (то есть соответствующее цетановое число), низкую склонность к образованию сажи, совместимость с существующими двигателями, а также минимальный углеродный след. При этом каждое топливо представляет собой сложную смесь из десятков или сотен соединений, а проверка свойств каждой новой комбинации в лаборатории или на двигательных установках — процесс длительный и дорогостоящий.
Чтобы его упростить и ускорить, исследователи из Университет Квин Мэри в Лондоне, Федерального университета Рио-де-Жанейро и Барселонского суперкомпьютерного центра разработали многоступенчатую цифровую систему проектирования топлива. В ее основе лежит использование числовых описаний молекул — так называемых молекулярных отпечатков, которые позволяют представить химическую структуру соединений в формате, пригодном для машинного обучения. На этих данных была обучена глубинная нейросеть, способная с высокой точностью предсказывать ключевые свойства топлива (например, его воспламеняемость и склонность к образованию сажи). Далее модель была использована в обратном направлении: исследователи задали целевые свойства топлива, а система подобрала такие комбинации веществ, которые обеспечивают требуемые характеристики с учетом технологических и нормативных ограничений.
Для обучения модели исследователи собрали масштабные базы данных, содержащие физико-химические свойства сотен топливных компонентов и их смесей. В частности, база по цетановому числу включала 708 измерений для 475 веществ, а база по сажевому индексу — свыше 400 чистых соединений.
Полученные результаты превзошли ожидания. Обученная модель показала высокую точность: коэффициент детерминации (R²) превышал 0,9 даже при предсказании свойств новых, ранее не встречавшихся соединений. В общей сложности было сгенерировано 157 рецептов топливных смесей, включая варианты с добавками спиртов, оксиметиленовых эфиров (OMEx) и метиловых эфиров жирных кислот (FAME). Лучшие из них не только соответствовали текущим требованиям к дизельному топливу, но и демонстрировали существенно более низкий индекс сажи, что означает более чистое сгорание. По расчетам, такие смеси могут снизить сажевые выбросы до 72% без ухудшения рабочих характеристик.
Созданная система открывает путь к быстрой и целенаправленной разработке устойчивых топлив, которые могут сыграть ключевую роль в снижении углеродного следа тяжёлого транспорта уже в ближайшие годы.
