航空业约占全球二氧化碳（CO₂）排放量的2%。

随着航空运输需求的持续增长，航空业降低温室气体（GHG）排放的压力越来越大。

可持续航空燃料（SAF）是一种可行的可持续途径，可以将煤油或传统航空燃料的生命周期温室气体排放量减少80%

SAF是由可再生资源生产的（对硬件进行了微小的改变），使其与石油基喷气燃料兼容。

在SAF研究中采用机器学习（ML）和人工智能（AI）改善了原料识别、生产和燃料预测。

这些工具支持SAF规定的商业航空标准的快速实现，从而丰富了开发过程

SAF可以通过几种技术上有效的工艺生产，包括使用不同的原料和转化技术。

最常见的是加氢酯和脂肪酸（HEFA）、费托合成（FT）、醇制喷气燃料（ATJ）和电力制液体（PtL）

这些途径在发展水平、成本和大规模实施的潜力方面各不相同，并在减少航空对化石燃料依赖的一揽子措施方面提供了灵活性。

HEFA使用食用油或牛脂作为原料。

相反，FT从生物质衍生的合成气中合成碳氢化合物

ATJ合成生物衍生醇并将其转化为喷气式碳氢化合物，PtL从可再生电力，水和二氧化碳合成燃料，这些方法标志着全球航空业脱碳的新途径。

从商业角度来看，HEFA——利用食物垃圾家禽、牛脂和植物油原料——是生产SAF的最先进的工艺。

然后将这些原料进行加氢处理，将其转化为类似商用喷气燃料的碳氢化合物

文献声称，根据ASTM D7566标准，HEFA衍生的SAF已被授权与传统航空燃料混合高达50%

FT工艺将各种含碳原料（包括生物质和城市固体废物）中的合成气、氢（H2）和一氧化碳转化为液态碳氢化合物。由FT合成的SAF具有高能量密度。

Naef等人指出，FT合成可以接受多种原料类型，使生产可扩展性成为可能

这种多功能性使SAF在促进可持续航空和减少航空业对传统化石燃料的依赖方面发挥了核心作用。

ATJ技术是一种将醇类（包括乙醇和丁醇）通过脱水、低聚和加氢等几个过程转化为航空燃料的工艺。

这扩大了SAF生产的原料来源选择，因为这一途径足够灵活，可以容纳其他生物质衍生醇。因此，使用ATJ技术扩展了SAF的范围。

PtL技术利用电力通过电解过程分解水，然后进行进一步的化学过程——利用从空气中捕获的二氧化碳形成液态碳氢化合物。

    尽管PtL还处于相对早期的发展阶段，但它可能是碳中性燃料的宝贵来源，特别是如果与可再生能源结合使用的话。这一具有吸引力的战略可能会显著减少航空业的温室气体排放。

SAF途径已被证明是或多或少的效率和经济上可行。

HEFA是目前市场上最成熟的方法，成本从3美元/加仑到6美元/加仑不等，因为该技术相对发达，该工艺的原料相对容易获得

FT工艺在原料方面是通用的，因为它们可以接受广泛的生物质原料。然而，该技术的资金成本相对较高，且产量较低

ATJ能够处理不同形式的生物醇，有几个转化阶段。反过来，这个过程消耗更多的能源，使其成本更高：价格在每加仑8美元到12美元之间。

当地的原料、基础设施和有关原料的政策将决定选择的途径。

因此，该战略将需要使用预定义的下一代技术来实现SAF的全球部署和成本效益。

就温室气体排放总量而言，与传统喷气燃料相比，SAF具有深远的优势。

    SAF还通过使用可再生原料和其他燃料生产过程，降低了航空生产中的碳强度。

与石油基喷气燃料相比，SAF可以显著减少二氧化碳的生命周期排放，减少排放的程度取决于其衍生物和生产途径。

例如，从HEFA -可再生资源生产的SAF柴油显示出排放量的显著减少，并且不使用可耕地或原料。这使得HEFA成为降低航空燃料生产中环境排放的特别有效的选择。

SAF的使用减少了燃烧过程中颗粒物和硫氧化物的排放。这有助于减少空气中的污染物，从而改善空气质量，从而防止气候变暖的轨迹。

通过这些额外的影响，SAF有助于减少航空对环境的整体影响。

可持续性认证（例如国际航空碳抵消和减排计划（CORSIA））的重要性不容低估，特别是在SAF的环境管理方面。

    认证的目的是保护环境，保持责任和提高全球合规性，这有助于最大限度地减少航空对环境的不利影响，并实现全球航空业减少排放的长期目标。

ML和AI在航空SAF识别、评估和优化方面做出了重大贡献。

这些数字技术有助于在SAF的各个阶段进行调整，以选择用于SAF生产的原料和分子，改进生产过程，并创建使用SAF的商业案例。

因此，ML和AI提高了燃料质量，减少了实验负荷，并有助于向无污染的飞机燃料解决方案过渡。

已实现的各种燃料的分子描述符数据已被纳入开发预测ML模型，以确定燃料的有价值的特性，如净燃烧热、密度、粘度和沸点。

Wang和Rijal11采用支持向量机（SVM）算法来预测多环烃的净燃烧热（NHOC），达到了很高的精度，从而减少了实验次数。这些模型在确定燃料分子和帮助化学家快速识别数千种化合物方面发挥了适当的作用。

将ML与密度泛函理论相结合，预测了两种新型SAF分子的能量和反应性。

Gao和Mavris认为，整合量子化学和机器学习可以帮助科学家实现合理的计算成本，以及关于燃料性能和排放的化学准确性。

除了特定于SAF的应用之外，结构-性能预测框架（在材料科学中开发）也被证明是非常有价值的。

例如，原子模拟和机器学习技术已经成功地用于理解金属玻璃中复杂的结构-性质关系，这在预测无序原子结构的热、机械和输运性质方面面临着类似的挑战。

这些方法，特别是当与势能景观模型和分子动力学相结合时，可以激发新的SAF分子设计策略，在无序和性能优化共存的情况下。

AI可以提供生物质资源到SAF的热化学转化的模拟和理想的操作条件。

例如，Lau等人在他们的技术-经济不确定性分析中使用ML来确定哪种合成路线在生产SAF方面更优越，因为一些技术提供了更好的价值主张、可扩展性和与大规模生产的兼容性

ML还被用于优化工艺参数，如温度、催化剂用量和试剂在反应器中的停留时间，以提高工艺的整体效率和处理量。

Comesana等人建议，开发一个结构化和监督的机器学习框架，使用液相傅里叶变换红外（FTIR）光谱来支持实验是可能的。这种集成还有助于研究人员识别光谱，甚至预测燃料的质量（例如，挥发性，密度）。

这种方法对于快速引入SAF燃料是实用的，并且将减缓这种开发所需的时间，从而降低实验室实验成本。

ML已被用于规划和实施SAF技术经济分析。

Qasem等人提出使用合成数据和生成对抗网络(GANs)来预测基于热解的SAF的最低销售价格（MSP）。这些模型考虑了市场因素和生产参数，从而扩大了在生产中寻找可行经济选择的能力。

ML也被用于排放预测和产品生命周期分析。

ML模型已被用于进行燃烧分析和预测各种燃料混合物下温室气体的排放/释放。

这些工具提供了关于SAF环境影响的精炼的、特定于场景的信息，并补充了生命周期评估。

特别重要的是要确定SAF不仅会减少二氧化碳排放，而且还会满足气候影响的总记分卡。

未来趋势：生成式人工智能和自主实验室。

未来，先进的生成式人工智能工具，如变分自编码器（VAEs）和GANs，可用于开发旨在实现所需燃烧和排放特性的新型SAF。

这包括扩大化学设计空间，并在能量密度和可持续性规定的条件下提出新的化合物。

自动化化学实验室是另一个新兴的前沿技术。

这样的人工智能辅助平台允许化学家进行合成，并在实验的同时测试和更新模型。

通过实验结果反馈的应用，可以非常有效地通过ML算法改进燃料的配方，快速缩短从概念到认证的过程。

欧洲国家已经实施了燃料燃料航空政策，其目标是到2025年逐步将SAF增加到2%，到2050年增加到70%。根据美国能源部的说法，根据《通货膨胀减少法案》（IRA），SAF生产商的可用税收抵免为1.75美元/加仑，用于减少温室气体的生命周期。

国际民用航空组织（ICAO）和国际航空运输协会（IATA）制定了雄心勃勃的飞机二氧化碳脱碳国际目标。

国际民航组织采用了CORSIA，其中每个符合条件的航班都使用可持续燃料，并考虑了生命周期排放核算。

国际航空运输协会（IATA）设定了到2050年实现航空零净排放的目标，其中SAF占该目标的65%

这些框架对于支持长期融资和解决SAF与化石航空燃料之间的成本差异至关重要。

越来越多的行业参与者承诺投入数十亿美元来支持SAF生产和供应链的增长和发展。

耐斯特，World Energy和SkyNRG是一些利用HEFA过程（最常见的生物转化方法之一）的商业规模SAF的主要制造商。

例如，耐斯特的目标是到2025年底实现150万吨/年的SAF生产。此外，美联航和汉莎航空等主要航空公司已承诺购买SAF并形成创新合作伙伴关系，以增加其在航空业的市场份额。

然而，与化石航空燃料相比，SAF作为生物燃料在经济上仍然落后。

SAF一般比常规燃料昂贵：由于生产规模小、固定成本高和原料价格波动，SAF的价格是常规燃料的2至5倍

SAF仍然容易受到政策变化、原料供应和原油价格波动的影响，使其在价格和供应方面非常不稳定。

如果不提供政府直接补贴或强制性混合规定，航空工业采用SAF可能是不可行的

    这一成本限制了SAF的使用，特别是在发展中国家，因为资源限制，加上基础设施不足，增加了高额货币损失的风险。

将SAF的应用从演示项目扩展到普遍采用是航空工业中最重要的难题之一。

虽然有一些这样的技术在技术上是可行的，但扩大规模以满足预计的燃料需求是巨大的挑战。

例如，根据SAF大挑战，预计到2050年，仅在美国，SAF燃料需求就将达到约350亿克/日。

这需要大量投资、创新和协调的政策支持

SAF供应链的上下游环节仍然存在许多障碍，包括有限的原料供应、有限的生产基础设施和不发达的全球分销网络。

原料的可用性和可持续性是扩大SAF生产的重大挑战。

以油脂为基础的原料（主要是用过的食用油和牛脂）是稀缺的，可得性有限，而且可得性也是生物柴油和动物饲料等其他部门的竞争对手

此外，这些原料在市场上不可预测的走势增加了价格波动的风险。

此外，生物质是一种相对较不容易获得和效率较低的原料，因此存在这些结构性挑战。

这些综合问题阻碍了SAF的发展和成为航空燃料问题的更普遍的解决方案。

缺少支持基础设施，这一因素导致SAF无法具有成本竞争力。

由于生产过程长，价值链不发达和初始投资高，SAF的成本是传统航空燃料价格的两到五倍

此外，目前的机场加油基础设施不适合混合或分离SAF，这将需要在终端，管道和加油基础设施方面进行大量资本投资。

然而，正在创造技术来缩小SAF的生产和销售差距。

模块化生物精炼厂等技术可用于在消费点附近提供SAF，从而减少运输成本和相应的排放。

这些终端，被称为混合SAF混合终端，正在考虑在航空中心改善燃料交付。

其他机会包括合成生物学的基础研究，以及转化热化学转化和气体发酵，以解决原料和产量的挑战。

在数据驱动的建模工具的帮助下，这些机会正在逐渐减少扩展挑战。

SAF生产仍然具有挑战性，ML和AI可以被认为是解决这些挑战的推动者。

此外，应用ML来增强具有ASTM D7566中列出的所需性能的新SAF的开发，可以节省大量的认证时间。

这些未来的可能性包括独立的实验室系统，其中原始的SAFs和测试是在最小的人工操作和实时监测系统下合成的，以确认排放。

    这些工具大大提高了研究与开发（R&D），同时降低了燃料营销成本。

欧盟的“燃料燃料航空指令”和美国通过IRA的SAF税收抵免制定的可持续性政策旨在提振SAF需求。

大多数国家，特别是发展中国家，缺乏实施SAF生产和认证标准所需的基础设施、财政资源和技术能力。

缺乏SAF标准化和认证增加了国际贸易的复杂性。

为了建立SAF的全球市场，需要规范性框架，包括国际民航组织的CORSIA计划，以努力使生命周期排放测量的实现与国际燃料兼容性保持一致。

SAF的命运在于突破生产障碍，并将其纳入更大的脱碳计划。

业内人士认为，由于SAF与许多现有发动机和基础设施的适用性，SAF可以在未来几年在远程商业飞行中保持持续的地位，特别是在洲际旅行中，这是竞争技术在功率重量比挑战中的一个普遍问题。

PtL燃料来源于合成可再生H2和捕获的CO₂，用于与SAF混合以提高合成量并减少生物质需求。

这些将是执行未来和有效的分散和全球航空脱碳战略的关键。

SAF已被证明与航空业向更可持续发展的环境转型保持一致。

SAF通过HEFA、FT合成、ATJ和PtL生产，在其整个生命周期中提供了许多排放改善，这对航空业支持气候目标至关重要。

    这一变化对于工业通过从使用化石燃料过渡到减少碳排放至关重要。

ML和AI可以用于推进SAF技术在燃料分子筛选和预测性能以及增强最佳燃料生产方法方面的发展。

然而，在投资、政策和行业参与者参与方面的持续承诺下，预计到2050年，SAF将供应全球航空燃料的很大一部分。

要实现这一愿景，必须考虑几个因素，包括可持续原料供应、与区域和国家政策相结合的成本控制以及许多其他因素。

预计未来10年将是SAF生产发展和缩小以绿色燃料利用为基础的未来航空运输所需的技术差距的最决定性的十年。

    相应地面对这些挑战将有助于为全球航空业更可持续的未来奠定基础。

本文系“流程工业”首发，未经授权不得转载。责任编辑：胡静，审核人：李峥

---

版权声明∶转载流程工业网内容，请在正文上方注明来源和作者，且不得对内容作实质性改动；微信公众号、头条号等新媒体平台，转载请联系授权。邮箱∶process@vogel.com.cn，电话：16601379371（同微信）