计算机模拟雪茄燃烧过程的技术参数输入与预测燃烧时间的方法

在烟草科学的数值模拟研究中，雪茄燃烧过程的模拟一直被视为一种极具挑战性的多物理场耦合问题。与烟草卷烟那种相对均匀、结构单一的纸质包裹体不同，雪茄是一个由填充烟叶（Filler）、粘结烟叶（Binder）和包覆烟叶（Wrapper）构成的复杂多孔介质体系。这种结构上的非均质性，导致了氧气扩散路径、热传导效率以及燃烧前沿形态的高度复杂化。对于研究人员而言，如何将这些复杂的物理现象转化为精确的数学模型，并确保计算得出的燃烧时间与实验室实测值高度吻合，是衡量模拟精度最核心的标准。

多孔介质框架下的物理建模基础

本章阐述将雪茄视为多孔介质连续体的建模基础，涵盖动量方程、渗透率分层设定与有效热导率修正。

要准确描述雪茄的燃烧，首先必须摒弃将雪茄视为“固体块体”的简化思维，转而采用多孔介质连续介质模型（Porous Media Continuum Model）。在这种框架下，雪茄被视为一个由固体颗粒（烟叶纤维、灰分）和孔隙（充满了空气或热解气）组成的复合体系。

在动量方程的处理上，我们不能简单使用纳维-斯托克斯（Navier-Stokes）方程，而必须引入达西-福希海默（Darcy-Forchheimer）项来描述流体通过烟叶层时的压力降。公式表达为：

$$\nabla p = -\frac{\mu}{K} \mathbf{u} - \frac{1}{2} \rho C_F |\mathbf{u}| \mathbf{u}$$ 其中，$K$ 是渗透率（Permeability），$C_F$ 是惯性阻力系数。在实际建模中，渗透率的设定是决定燃烧形态（是呈圆锥形燃烧还是隧道式燃烧）的关键。针对雪茄不同部位的特性，我们需要对 $K$ 进行分层设定：填充层的渗透率通常较高（约 $10^{-10}$ 至 $10^{-9} \text{ m}^2$），而包覆层由于叶片纤维的致密性，其渗透率往往低一个数量级。热传导过程同样需要考虑有效热导率（Effective Thermal Conductivity, $k_{eff}$）的修正。由于烟叶层内部存在大量的气相对流和辐射，单一的固体导热系数会严重低估能量传递速率。我们通常采用体积加权法来估算： $$k_{eff} = \varepsilon k_g + (1-\varepsilon) k_s$$

其中 $\varepsilon$ 是孔隙率，$k_g$ 和 $k_s$ 分别是气相和固相的热导率。在燃烧前沿附近，由于温度剧烈波动，这种等效处理必须与局部的孔隙率演化实时耦合。

10⁻¹⁰–10⁻⁹ m²

填充层渗透率的典型取值区间

12%

初版模型对整支雪茄的统一含水率设定

18.5% → 3.2%

引入水分蒸发修正前后的预测误差变化

2.26 MJ/kg

水的汽化潜热参考值

参数输入的不确定性：水分与密度的耦合陷阱

本章揭示含水率空间分布不均与热阱效应如何成为模型失真的关键陷阱。

在长期的实战建模中，我发现最容易导致模型失效的并非复杂的动力学方程，而是基础物理参数输入的“过度简化”。

在 2023 年一次针对某款高等级古巴雪茄的燃烧特性研究中，我们遇到了一个棘手的难题：模拟得到的燃烧时间比实验实测值快了约 18.5%，且燃烧前沿的温度分布呈现出一种不自然的“尖峰”状，这与实际观测到的平缓燃烧波阵面完全不符。

经过深度回溯分析，我们发现问题的根源在于忽略了烟叶含水率（Moisture Content, MC）的空间分布不均以及它带来的热阱效应。在初版模型中，我们为了简化计算，将整支雪茄的含水率统一设定为恒定的 12%。然而，实际生产中的雪茄，其包覆层由于受环境湿度影响更直接，含水率往往呈现出从外向内的梯度分布。更重要的是，水分蒸发是一个巨大的吸热过程（水的汽化潜热约为 $2.26 \text{ MJ/kg}$）。

当含水率较高时，热解反应释放的能量首先被用于水分蒸发，这会在燃烧前沿形成一个明显的“温度缓冲带”。我们在改进后的模型中，引入了基于 Arrhenius 速率方程的瞬态水分蒸发模型，并采用了随机场方法（Stochastic Field Method）来模拟含水率在空间上的非均匀性。通过将水分蒸发与热解反应解耦，并引入局部的蒸发热项，模拟结果的预测误差迅速从 18.5% 降低到了 3.2% 以内。这次经验教训告诉我们，在处理烟草这类生物质材料时，水分绝不仅仅是一个质量分数的变量，它是一个动态的热力学调节器。

燃烧动力学与移动边界的数学处理

本章讲解热解与氧化交替的燃烧动力学，以及移动边界问题的数学处理与自适应网格技术。

雪茄燃烧的核心在于热解（Pyrolysis）与氧化（Oxidation）的交替进行。一个完整的燃烧循环通常遵循以下逻辑链：固体烟叶受热 $\rightarrow$ 水分蒸发 $\rightarrow$ 有机物热解产生挥发分 $\rightarrow$ 挥发分进入气相进行氧化反应 $\rightarrow$ 残余焦炭（Char）在氧气扩散控制下进行表面氧化。

在动力学参数输入时，我们必须采用多步反应模型。单一的活化能无法描述复杂的烟草化学组分。我们通常采用多组分热解模型，将烟草分为纤维素类、木质素类和残留灰分，并为每一类赋予不同的 Arrhenius 参数（$A, E_a$）。

而预测燃烧时间的最核心算法，本质上是一个求解“移动边界问题”（Moving Boundary Problem），在数学上类似于斯特凡问题（Stefan Problem）。燃烧前沿的位置 $\mathbf{s}(t)$ 随着时间的推移而移动，其移动速度 $\dot{r}$ 取决于局部的质量传递和能量平衡：

$$\rho_s (1-\varepsilon) \frac{d\mathbf{s}}{dt} = \dot{m}_{pyro} + \dot{m}_{ox}$$ 其中 $\dot{m}_{pyro}$ 是热解速率，$\dot{m}_{ox}$ 是焦炭氧化速率。在实际的 CFD 求解过程中，为了捕捉这个极薄且剧烈的反应层，我们必须采用自适应网格加密技术（Adaptive Mesh Refinement, AMR）。如果网格分辨率不足以覆盖燃烧前沿的梯度，数值扩散会人为地“抹平”反应速率，导致预测的燃烧时间偏长。在处理这种高非线性问题时，时间步长的选取也极具艺术性——必须满足库朗数（Courant Number）限制，同时还要兼顾热扩散的时间尺度，否则计算极易在燃烧爆发瞬间发生发散。 ## 预测算法的集成与工程实现为了最终获得准确的燃烧时间，我们建立了一个从微观反应到宏观时程的积分模型。首先，通过瞬态 CFD 模拟，获取每一个微元位置在不同时刻的温度场 $T(x,t)$、氧气浓度场 $C_{O_2}(x,t)$ 以及局部含水率场 $M(x,t)$。接着，基于这些场变量，利用局部的燃烧速率 $\dot{r}(x,t)$，对雪茄的几何长度 $L$ 进行时空积分。预测总燃烧时间 $t_b$ 的公式可以简化表达为： $$t_b = \int_0^L \frac{1}{\bar{\dot{r}}(x)} dx$$

其中 $\bar{\dot{r}}(x)$ 是沿轴线方向的平均线速度。但在工程实践中，由于雪茄燃烧过程中存在“点燃-熄灭-再点燃”的脉冲式特征（特别是在模拟抽吸过程时），这个积分过程必须在时间维度上进行累加。我们需要将每一段抽吸周期（Puff）内的燃烧进展与两段抽吸之间的阴燃（Smoldering）阶段进行精确的时序拼接。

在解决“阴燃阶段”的预测时，另一个关键点是边界条件的设定。在抽吸停止后，雪茄处于一种低氧环境下的缓慢氧化状态。如果此时将环境边界条件设为简单的常温空气，模拟出的阴燃温度会过高，导致预测的燃烧时间偏短。我们需要引入一个考虑环境对流换热系数 $h$ 的动态边界，并考虑雪茄表面的辐射散热。

总结与前瞻

本章介绍从瞬态 CFD 场变量到燃烧时间积分预测的工程实现路径。

通过上述复杂的参数输入与算法构建，我们不仅能够实现对雪茄燃烧时间的精确预测，更重要的是，我们能够通过模拟观察到燃烧过程中的物理细节——例如，由于包覆叶片渗透率过低而导致的“燃烧不均”现象，或者由于水分梯度导致的“燃烧停滞”现象。

目前的模拟技术正朝着更高维度的方向发展。随着显微 CT（Micro-CT）扫描技术的普及，我们可以获取极其精确的烟叶微观孔隙结构数据，并将其直接导入 CFD 模型中，实现从“连续介质近似”向“真实几何结构”的跨越。同时，将机器学习算法与传统的 CFD 耦合，利用已知实验数据训练神经网络来预测复杂的反应速率参数，或许将是解决烟草燃烧动力学参数获取难、不确定性大的下一个技术突破口。