加氢基础油抗氧化性能的模拟预测研究

谢 欣

(中国石化石油化工科学研究院，北京 100083)

人工智能技术发展日新月异，在汽车发动机设计领域得到了广泛的应用[1-2]，在润滑油领域也开始应用[3-4]。内燃机油的主要组成部分基础油的氧化安定性对内燃机油性能有着至关重要的作用。润滑油基础油(简称基础油)是非常复杂的混合物，组成的差别导致了基础油氧化安定性的巨大差别。随着发动机技术日益发展，车用内燃机油大量使用加氢精制的Ⅱ/Ⅲ类基础油，采用人工智能模拟评定 Ⅱ/Ⅲ类基础油的氧化安定性，找到影响其高低的主要因素和规律，对于润滑油产品的开发研制具有重要意义。API基础油分类准则见表1。

表1 API基础油分类准则

国内外研究者提出了一些基础油氧化安定性与其化学组成的关联模型，包括线性回归模型[5]、指数回归模型[6]和神经网络模型[7-8]等。基础油组成与氧化安定性的关联模型具有多参数、高维非线性的特点，而人工神经网络(ANN )可以很好地处理高维非线性体系，并具有自组织、自适应、自学习的特性。为了提高模型预测准确度，本研究采用多层感知神经网络(MLP-ANN)模型，在指标的选取中改进了过去研究模型中通常采用的饱和烃含量，将其细分的链烷烃和不同环数环烷烃含量作为输入变量，通过不断对参数进行调整，得到最终模型。

本研究采用最为广泛使用的旋转氧弹法(ASTM D2272)作为评定基础油氧化安定性的方法。针对加氢精制基础油的结构特征，分别应用MLP-ANN和径向基神经网络(RBPN)方法，建立两个预测加氢基础油氧化安定性的神经网络模型，并将黏度指数加入模型，以期提高模型对加氢基础油氧化安定性的预测精度。同时对影响加氢基础油氧化安定性的因素进行分析，找出与氧化安定性有正相关和负相关关系的Ⅱ/Ⅲ类基础油的烷烃组成。

1 神经网络模型简介

1.1 MLP-ANN

MLP-ANN是由一系列多层排列节点构成的网络，节点只能在相邻层之间由权联结。MLP-ANN采用共轭梯度降序向后传播训练函数，层结构可以是三层或者更多，构成网络的层数与解决的问题有关，MLP-ANN模型如图1所示。

图1 MLP-ANN网络模型

MLP-ANN的输入向量表示为：

(1)

输出向量表示为：

Yi=f(Xi) (i=1，2，…，n；n≥2)

(2)

式中：Kij为M、N的权向量函数，不同的层具有不同的权函数；Cj为输入信息；bj为偏差；f为激活函数，是非线性S曲线函数：

(3)

1.2 RBPN

RBPN是一种局部逼近网络，其隐层节点具有相互独立的中心和宽度，具有很好的分类特性。该模型与MLP-ANN模型都是非线性多层前向网络，都是通用逼近器。但是，RBPN的基函数计算的是输入向量和中心的欧氏距离，而MLP-ANN隐单元的激励函数计算的是输入单元和连接权值间的内积。

2 神经网络模型的建立

2.1 输入参数的选择

溶剂精制的Ⅰ类基础油中的硫、氮含量通常很高，许多文献也指出硫、氮含量与Ⅰ类基础油的氧化安定性有密切的相关性[5]。而对于加氢精制的Ⅱ/Ⅲ类基础油，通常含有大约1%(w)或更少的芳烃，硫含量和氮含量非常低。对Ⅱ/Ⅲ类基础油，芳烃含量对氧化安定性的影响很大，同时当芳烃含量更低时，链烷烃和环烷烃的含量与分布也对氧化安定性产生重要影响。

本研究针对Ⅱ/Ⅲ类基础油的组成结构特点，为了达到高的关联预测精度，将通常模型采用的饱和烃含量进行细分，采用质谱分析技术得到了全部Ⅱ/Ⅲ类基础油样本中链烷烃、一环环烷烃到六环环烷烃的含量，以及各种芳烃的含量。所得结果中芳烃主要由烷基苯组成，其他单环芳烃和多环芳烃含量基本为0。为了简化模型输入参数，经过验证选定链烷烃、一环环烷烃到六环环烷烃含量，以及烷基苯含量作为每个样本的8个模型输入参数。

API基础油分类准则中黏度指数是一个重要的因素，图2为样本中的Ⅱ/Ⅲ类基础油黏度指数与氧化安定性的关系。从图2可以看出，Ⅱ/Ⅲ类基础油的黏度指数与氧化安定性具有正相关关系。同时由于图中样本点较为分散，氧化安定性还受其他因素影响。而黏度指数是表征基础油性质的非常重要的参数，可方便取得，是由基础油本身性质决定的。与以往研究不同，本研究首次将黏度指数作为输入参数引入模型。

图2 Ⅱ/Ⅲ类基础油黏度指数与氧化安定性的关系

2.2 Ⅱ/Ⅲ类基础油样本数据

样本采用了18种不同的Ⅱ/Ⅲ类加氢基础油，其物性、烃类组成和氧化安定性数据见表2。为了使神经网络模型的预测适用性更广，选择样本的黏度指数覆盖了80～125的区间。采用ASTM D2272方法测定了每个样本的旋转氧弹时间，作为表征该样本的氧化安定性数据。从旋转氧弹时间可以看出，数据没有明显规律可寻。因此采用神经网络模型正是基于其复杂性难以用常规数学模型解决的考虑。

表2 Ⅱ/Ⅲ类基础油物性、烃类组成和氧化安定性数据

2.3 神经网络模型的建立

为了消除不同输入变量的不同取值范围对结果的影响，首先对输入变量进行归一化，将原始数据变换落入到[0，1]区间内。神经网络在建模时将所得样本分成两部分，一部分作为训练集训练神经网络模型，另一部分作为预测集，在建模的同时进行模型输出结果预测。如此可以防止模型的过度训练，使精度更高。本研究中训练集占全部数据的75%，预测集占全部数据的25%。

3 结果与讨论

通过样本训练，反复调整参数得到了最优化结果的MLP-ANN模型和RBPN模型，两者的参数和预测准确度见表3。由表3可以看出：MLP-ANN模型采用两个隐藏层，两个模型的训练更新比例均为0.9；MLP-ANN模型的预测准确度达到94.2%，比RBPN模型高12.7百分点，说明建立的MLP-ANN模型具有很高的应用价值。表4为MLP-ANN模型和RBPN模型对于样本数据预测值与实际值的偏差。由表4可以看出：MLP-ANN模型预测的氧化诱导期数据的误差基本在10 min以内。

为了考察黏度指数作为输入参数对于建立神经网络模型预测准确度的影响程度，对MLP-ANN模型中有无黏度指数作为输入参数进行比较，结果显示在加入黏度指数作为输入变量后，模型预测准确度提高了11.3百分点。充分说明黏度指数与氧化安定性的紧密关联性和选择黏度指数作为输入参数的必要性。

对于得到的MLP-ANN模型，输入参数对模型输出结果的相对重要性见图3。从图3可以看出，二环环烷烃、链烷烃和三环环烷烃含量在9个输入参数中重要性最高。

表3 两个神经网络模型的参数和预测准确度

表4 两个神经网络模型的预测值偏差

图3 MLP-ANN模型中输入参数的相对重要性w0～w7分别表示链烷烃、一环到六环环烷烃及烷基苯的质量分数

根据输入参数的相对重要性，将样品加氢基础油的链烷烃、二环环烷烃和三环环烷烃的含量与氧化安定性作图。考虑到一环环烷烃在油中的比例较高，也对其含量与氧化安定性作图。结果如图4所示。由图4可以看出：链烷烃含量与氧化安定性有一定的正相关关系，而二环、三环环烷烃含量与氧化安定性有一定的负相关关系，一环环烷烃含量与氧化安定性之间的关系不明显。这说明在Ⅱ/Ⅲ类基础油中，在芳烃含量很低的情况下，随着链烷烃含量的增加，二环、三环环烷烃含量减少，基础油的氧化安定性增加。通常情况下，链烷烃的黏度指数最高；其次是具有链烷基侧链的单环、双环环烷烃，以及单环、双环芳烃；最差的是重芳烃、多环环烷烃和带环烷基侧链的芳烃，黏度指数最低。抗氧化性能上，链烷烃的抗氧化性能高；而对于环烷烃组分，不仅环烷烃支链会发生氧化反应，而且环与侧链联结的叔碳原子也易发生氧化反应，相邻碳原子被氧化生成羧酸或醛酸，导致环结构破坏，碳链断裂，再进一步酯化，抗氧化性能较差。

图4 基础油中链烷烃含量及一环、二环、三环环烷烃含量与氧化安定性的关系

4 结 论

(1)针对加氢精制Ⅱ/Ⅲ类基础油的结构特征，分别应用MLP-ANN和RBPN方法建立了9参数神经网络模型。其中MLP-ANN模型预测准确度比RBPN模型提高了12.7百分点，模型预测精度较为理想，可以满足不同来源加氢基础油氧化安定性的预测需要，可有效用于对Ⅱ/Ⅲ类基础油进行抗氧化性能预测。

(2)首次在预测基础油氧化安定性的模型中将黏度指数作为输入变量，与无黏度指数作为输入变量时相比，MLP-ANN模型预测准确度提高了11.3百分点。在Ⅱ/Ⅲ类基础油中，随着基础油黏度指数的升高，基础油的氧化安定性增加。

(3)得到了各变量对加氢基础油氧化安定性的重要性排序，提炼出与氧化安定性有正相关和负相关关系的Ⅱ/Ⅲ类基础油的烷烃组成。在Ⅱ/Ⅲ类基础油中，在芳烃含量很低的情况下，随着链烷烃含量的增加，二环、三环环烷烃含量减少，基础油的氧化安定性增加。