CN101903765A - 原油特性专家系统 - Google Patents
原油特性专家系统 Download PDFInfo
- Publication number
- CN101903765A CN101903765A CN2008801216858A CN200880121685A CN101903765A CN 101903765 A CN101903765 A CN 101903765A CN 2008801216858 A CN2008801216858 A CN 2008801216858A CN 200880121685 A CN200880121685 A CN 200880121685A CN 101903765 A CN101903765 A CN 101903765A
- Authority
- CN
- China
- Prior art keywords
- constituent
- sample
- molecular
- boiling point
- lubricant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002199 base oil Substances 0.000 title claims description 11
- 239000010779 crude oil Substances 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000000470 constituent Substances 0.000 claims abstract description 25
- 239000000314 lubricant Substances 0.000 claims abstract description 17
- 238000009835 boiling Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 239000000203 mixture Substances 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 230000003647 oxidation Effects 0.000 claims abstract description 8
- 238000007254 oxidation reaction Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000002397 field ionisation mass spectrometry Methods 0.000 claims abstract description 6
- 238000000655 nuclear magnetic resonance spectrum Methods 0.000 claims abstract description 3
- 238000002211 ultraviolet spectrum Methods 0.000 claims abstract description 3
- 239000004215 Carbon black (E152) Substances 0.000 claims description 5
- 229930195733 hydrocarbon Natural products 0.000 claims description 5
- 150000002430 hydrocarbons Chemical class 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims 2
- 238000005516 engineering process Methods 0.000 description 17
- 238000005481 NMR spectroscopy Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000010412 perfusion Effects 0.000 description 5
- 238000013523 data management Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000005055 memory storage Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000001644 13C nuclear magnetic resonance spectroscopy Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 235000018936 Vitellaria paradoxa Nutrition 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 235000006708 antioxidants Nutrition 0.000 description 1
- 238000004517 catalytic hydrocracking Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920013639 polyalphaolefin Polymers 0.000 description 1
- 238000012113 quantitative test Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2888—Lubricating oil characteristics, e.g. deterioration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Lubricants (AREA)
Abstract
用于预测润滑剂原油混合物的特性的方法,包括生成至少两种润滑剂原油的混合物的样本的NMR光谱、HPLC-UV光谱和FIMS光谱和由所述光谱确定样本的至少一个组成物结构分子参数的步骤。然后生成样本的SIMDIST和HPO分析结果,以由这样的分析结果确定样本的组成物沸点分布和分子重量。组成物结构分子参数、组成物沸点分布和组成物分子重量被加到神经网络上进行训练,将组成物结构分子参数与组成物沸点分布和组成物分子重量进行相关,以预测样本的组合物特性。所述特性包括在40℃下的运动粘滞系数、在100℃下的运动粘滞系数、粘滞度指数、始凝点、氧化性能等等。
Description
版权声明和授权
本专利文献包含受版权保护的材料。
Copyright 2007.Chevron USA Inc.All rights reserved.
对于这个受版权保护的材料,拥有者美国雪佛龙石油公司不反对从如在专利商标局专利文件或任何国家的记录中出现的专利公开内容的任一项的传真复制,而在其它情况下将保留所有的权利。
技术领域
本发明涉及用于预测原油特性的基于计算机的专家系统。
背景技术
当前,在润滑工业中需要一种允许预测原油特性的改进的方法,更具体地,允许描述基本组分和具有特定特性的润滑剂。现在,还没有允许预测原油特性的可用的方法。当前,原油通过ASTM、API和DIN方法被表征。这些方法是费时的,且需要大量的样本量。已经有许多从通过NMR分光术得到的结构信息进行预测原油特性方面的工作。例如,Shea等(1)使用NMR分光术和神经网络用于这个目的。B.K.Sharma等(2)把润滑剂原油的粘滞系数与通过NMR分光术得到的结构参数相关联。Gatto等(3)把加氢裂解的原油和聚α烯烃的物理特性和抗氧化反应与由质谱仪确定的化学组成相关联。然而,这些研究中的大多数研究限于特定的样本组或特定的分析技术。除了NMR以外,没有报告使用各种分析技术来改进原油模型的预测能力的知识。更重要地,还没有可允许描述具有特定特性的原油和润滑剂的可用的方法。
原油预测器最好具有用户友好的界面。人们可以从多达例如来自在美国混合单位处可提供的约40种原油中的四种原油的菜单中进行选择。通过单击,可以预测混合物的原油特性,包括VI、Vis40、Vis100、OxBN、灌注点、始凝点和NOACK挥发性。在优选实施例中,它包括更多的原油。
测试是通过以下步骤完成的:测试具有已知特性的混合物的模型,准备已知的组成中的两种、三种和四种原油的混合物,并提交混合物用于以上的测试以及NMR分析。
在该文献中报告的各种研究(1-3)认识到,大多数原油的大量特性是从原油中的碳氢化合物型分布得出的。在最近60年间,NMR分光术变为用于确定碳氢化合物的结构的主要的工具之一。用于碳氢化合物的特征表征的其它技术是MS和HPLC。在本发明中,原油的结构参数通过诸如NMR、HPLC-UV和FIMS那样的这些分析技术被确定。原油通过使用SIMDIST和VPO而被进一步表征,分别得到沸点分布和分子重量。这些结构参数然后按照初始的原油组的实验观察的物理特性进行建模。人工神经网络被用来开发这样的模型。多种可被建模的特性包括但不限于:在40℃下的运动粘滞系数、在100℃下的运动粘滞系数、粘滞度指数、灌注点、始凝点、氧化性能等等。作为初始研究的一部分,从组I、II和III中选择20种原油样本。对于通过NMR分光仪进行的特征表征,每种原油通过使用定量的13C NMR技术被表征。一旦获取光谱,就记录下在几个区域中的积分,以便区分不同的类型的碳。所有这些样本通过使用上述的分析技术被进一步表征,通过使用这些技术所确定的结构参数在表1给出。这些结构参数通过使用来自Ward System Group的NeuroShell预测器Release 2.2软件进行建模。所有的模型通过使用后向传播算法被构建。针对每一种特性构建一个单独的独特模型。在模型被开发出来后,得到相关系数。对于粘滞度指数、在40℃下的运动粘滞系数、在100℃下的运动粘滞系数、灌注点、始凝点和氧化性能等的预期的数值和估计的数值的比较结果分别在表3,4和5中给出。对于各种模型得到的相关系数建议:从各种分析技术得到的结构特性可以针对原油的各种物理特性精确地建模。这种技术在以下方面具有价值:1)预测将与希望的性能相匹配的原油混合物,2)操控原油的流水线改变,3)识别合成的目标分子以改进性能,4)减轻实验室测试的工作量,和5)设计新的催化剂以使得关键的属性最大化。进一步改进模型和包括具有更多不同特性的原油在内的更多的工作正在进行中。
发明内容
本发明包括对润滑油产品的定量测试进行仿真和优化的方法,该方法包括以下步骤:用于预测润滑剂原油混合物的特性的方法,包括生成至少两种润滑剂原油的混合物的样本的NMR光谱、HPLC-UV光谱和FIMS光谱以及由所述光谱确定样本的至少一个组成物结构分子参数的步骤。然后生成样本的SIMDIST和HPO分析结果,以便从这样的分析结果中确定样本的组成物沸点分布和分子重量。组成物结构分子参数被应用,加到经过训练的神经网络上的组成物沸点分布和组成物分子重量被训练,把组成物结构分子参数与组成物沸点分布和组成物分子重量进行相关,以便预测样本的组合物特性。所述特性包括在40℃下的运动粘滞系数、在100℃下的运动粘滞系数、粘滞度指数、始凝点、氧化性能等等。
通过考虑本发明的优选实施例的以下详细说明,将更加清楚本发明的这些和其它特性和优点。在说明过程中将经常参考附图。
附图说明
具体实施方式
在所述文献中报告的各种研究(1-3)认识到,大多数原油的大量特性是从原油中的碳氢化合物型分布得出的。在最近60年间,NMR分光学变为用于确定碳氢化合物的结构的主要工具之一。用于碳氢化合物的特征表征的其它技术是MS和HPLC。在本发明中,原油的结构参数通过诸如NMR、HPLC-UV和FIMS这样的分析技术确定。
原油还通过使用SIMDIST和VPO进一步表征,分别得到沸点分布和分子重量。这些结构参数然后按照初始原油组的实验观察的物理特性进行建模。人工神经网络被用来开发这样的模型。可被建模的多种特性包括但不限于:在40℃时的运动粘滞系数、在100℃时的运动粘滞系数、粘滞度指数、灌注点、始凝点、氧化性能等等。
作为初始研究的一部分,从组I、II和III中选择20种原油样本。对于通过NMR分光仪进行的特征表征,每种原油通过使用定量13CNMR技术来表征。一旦获取光谱,就记录下在几个区域中的积分,以区分不同类型的碳。所有这些样本通过使用上述的分析技术被进一步表征,通过使用这些技术确定的结构参数在表1中给出。这些结构参数通过使用来自Ward System Group的NeuroShell预测器Release 2.2软件进行建模。所有的模型通过使用后向传播算法构建。针对于每种特性构建一个独立的独特模型。
在模型被开发出来后,得到相关系数。对于粘滞度指数、在40℃下的运动粘滞系数、在100℃下的运动粘滞系数、灌注点和氧化性能等的预期的数值和估计的数值的比较结果分别在表2、3、4和5中给出。针对各种模型得到的相关系数建议:由各种分析技术得到的结构特性为原油的各种物理特性精确地建模。这种技术在以下方面具有价值:1)预测将与希望的性能相匹配的原油混合物,2)处理原油的流水线改变,3)识别合成的目标分子以改进性能,4)减轻实验室测试的工作量,和5)设计新的催化剂以使得关键的属性最大化。进一步改进模型和包括具有更多不同特性的原油在内的更多的工作正在进行中。
A.序言
以下的讨论和附图包括其中可以实施本发明的适当的计算环境的一般说明。虽然本发明可以在系统和在操作系统上结合通用计算机、互联网和网络应用以及电子邮件服务器和客户端运行的应用程序上下文进行总结描述,但本领域技术人员将会理解,本发明也可以与其它程序模块组合地实现。通常,程序模块包括子程序、程序、部件、数据结构等等,执行特定的任务或实施特定的抽象数据类型。
而且,本领域技术人员将会理解,本发明可以用包括手持设备、微处理器系统、基于微处理器的或可编程的消费电子设备、微计算机/服务器、工作站、大型计算机等等在内的其它计算机系统配置来实现。
本发明也可以在分布式计算环境下被实施,其中任务由通过通信网链接的远端处理设备执行。在分布计算环境下,程序模块可被放置在本地和远端存储器存储装置中。
本发明总体上涉及仿真系统。本发明的处理方面是整体或部分地利用这里的系统及其变体的一系列处理步骤。正如本领域技术人员将会清楚的,处理步骤可以部分被体现为用于在常规的编程的数字计算机、诸如客户机与服务器上运行的计算机程序的代码。该程序代码可被体现为在计算机可读的存储介质上的计算机程序或在通过网络发送的载波中的计算机数据信号。
B.本发明的说明性利益
该系统帮助解决所涉及的以下问题:
C.说明性实施环境
说明性的实施环境包括:支持所有Java软件部件的Java虚拟机(例如,JDK 1.3)。所有的系统部件任选地以全部Java编写,除了外部库以外。用来解译由JSP页面生成的http代码的web服务器(例如,Apache)在系统伪部件GUI内。Servlet引擎(例如,Resin或Tomcat)执行系统伪部件GUI的Java服务器页面。数据库(例如,ORACLE)处理在系统内使用的所有持久性的数据。
对系统内的数据的实际访问由唯一的部件(DAT)控制,这种访问通过使用JDBC API来执行。第三方软件部件或库,诸如用于神经网络的STORMTM(来自软件供应商Elseware)和用于Bayesian网络的HUGINTM(来自软件供应商HUGIN)和Blaze AdvisorTM(来自软件供应商Fair Isaac),作为实际规则引擎的代码。例如通过商标为Informatica的软件构建的外部的提取/变换/加载(“ETL”)过程负责用从过去的物理量测试数据库和其它来源提取和变换的数据填充系统数据库。ETL工具被用来从一个或多个源DB提取数据、变换数据,并把它加载到目标DB。
D.算法
适当的算法包括Bayesian和神经网络。有关每个网络的细节可以在这些领域的出版物中找到。
E.系统结构的概述
该系统的功能性结构在下面的图中概述。该系统由五个主要功能性部件组成:数据代表(也称为数据坍塌(collapsing))、模型构建、模型执行、一致性评估和仿真。这些部件不一定必须对应于软件模块,取决于系统是如何实施的。例如,数据坍塌功能任选地可以在系统中的几个软件模块中使用。这种分解是最适合于理解系统如何工作,而不用进入潜在的实施细节。
F.用户观点
G.数据代表
H.模型构建
I.用户输入和模型执行
J.一致性评估
K.程序仿真
L.附图详细说明
现在参照附图描述本发明及其示例性实施例。图1示出在一个实施例中用于本发明的示意性系统图。输入来源。
系统的最后输出包括。
本发明可被构建成在任何常规的计算机平台上运行,但最好是任何授权用户可访问的基于web的应用,该用户具有被连接到互联网或公司内部的内部网的、其上有包含本发明的应用服务器的web浏览器。
本发明可以通过使用常规的软件工程方法被构建。本发明的潜在用户将通过一个软件利用本发明的系统。
图3示出在一个实施例中用于本发明的一个说明性实施方案的示意性的分层系统视图。这些层是客户层300、呈现服务器层310、应用服务器层330、数据服务器层370和生产数据服务器层380。客户层300包括导航器程序305,其包括用户界面,优选地为图形用户界面(“GUI”),可选地还包括web浏览器。呈现服务器层310包括功能连接到导航器程序305的GUI(可选地为Java服务器页面)315;功能连接到系统QUI(可选地为Java包)320的GUI(可选地为增强型Java服务器页面)315,该系统QUI功能连接到报告(可选地为Java部件)325。
应用服务器层330包括模型构建器(可选地为Java部件)335,其功能连接到以下的每个部件:Bayesian网络软件(例如,Hugin商标)(可选地为外部Java API)340;神经网络软件(例如,Storm商标)(可选地为外部Java API);和数据管理(可选地为Java部件)350。数据管理350功能连接到系统基础包(可选地为Java包)355。
这里使用的术语目录仅仅作为例子,用来表示用于组织数据、文件或记录的任何可用的编程构建或其它方法。更高级别的目录包括共同的工作空间对象405和用户工作空间对象410。在每个相应的工作空间下是石油对象415、部件对象420、程序对象425和变量对象430。在程序对象425下是策略对象435。在系统启动模块445上的负载公共对象和应请求保存对象模块440提供由每个模块的名字表示的功能。
图5示出在一个实施例中用于本发明的一个说明性实施方式的用户界面部件的更详细的示意性系统图。图5重复在图1、3或4中显示的模块,并附加地显示在各用户与系统之间的接口点。数据管理器505的作用包括保持数据库和保持实践代码。数据管理器505经由ETL过程模块385与系统接口。
图6在一个实施例中示出用于本发明的一个说明性实施方式的、带有数据逻辑视图的示意性处理过程流程图。
图9示出用于总的策略执行的处理逻辑流程。
图10示出用于各个流水线处理的处理逻辑流程。
M.其它实施方案细节
1.术语
这里包含的详细说明部分按照由常规的计算机和/或有线或无线网络进行的处理和操作的符号表示给出的。由计算机执行的处理和操作包括由处理器操控信号和在驻留在存储器存储装置内的一个或多个介质中的数据分组和数据结构内的这些信号的维护。通常,“数据结构”是施加到数据或对象的组织方案,以使得可以对于该数据或数据模块执行特定的操作,这样在数据结构的经过组织的各部分之间建立特定的关系。
“数据分组”是具有一个或多个相关字段的数据结构类型,这些字段被共同定义为从一个设备或程序模块发送到另一个设备或程序模块的信息单元。因此,操作的符号表示是由计算机编程和计算机结构领域技术人员使用的、用来把指导和发现最有效地输送给本领域其它技术人员的手段。
为了讨论的目的,处理通常被设想为是导致想要的结果的一系列计算机执行的步骤。这些步骤通常需要对物理量进行物理操控。通常,但不一定是必须的,这些量为电、磁或光信号的形式,能够被存储、传送、组合、比较或被另外操控。通常,本领域技术人员把这些信号表示称为比特、字节、字、信息、数据、分组、节点、数、点、项、对象、图像、文件等等。然而应当记住,这些和类似的术语是与用于计算机操作的适当的物理量相关联的,并且这些术语仅仅是被施加到在计算机的运行中和运行期间存在的物理量的惯用的标签。
应当理解,在计算机内的操控常常涉及到诸如发布、发送、改变、添加、禁止、确定、比较、报告等术语,它们常常是与操作员执行的人工操作相关联的。这里描述的操作是结合由与计算机进行交互的操作员或用户提供的各种输入而执行的机器操作。
2.硬件
应当理解,这里描述的程序、处理、方法等不涉及或不限于任何特定的计算机或设备,它们也不涉及到或不限于除如所述以外的任何通信结构。而是可以结合任何程序模块和本发明的任何其它方面使用各种类型的通用机器、传感器、发射机、接收机、收发信机和网络物理层。同样,可以证明构建专门的设备借助于专用计算机系统在具有硬线连接的逻辑块或存储在诸如只读存储器那样的非易失性存储器中的程序的特定的网络结构中执行这里描述的方法步骤是有利的。
3.程序
在本发明的任何步骤以机器执行的指令被体现的优选实施例中,指令可被用来使得用指令编程的通用或专用处理器执行本发明的步骤。作为替代,本发明的步骤也可以由包含用于执行步骤的硬线逻辑的特定的硬件部件,或由编程的计算机部件和定制硬件部件的任何组合执行。
上述的系统可以用基于在本说明书中的附图和说明的程序或程序模块方便地实现。为了实现上述的各种程序过程不需要特定的编程语言,因为考虑到已充分揭示以上描述的和在附图中显示的操作、步骤和过程,允许本领域技术人员实现本发明。
而且,有许多计算机、计算机语言和操作系统可被用来实现本发明,所以可以不用提供可应用于所有这些许多不同系统的详细的计算机程序。特定的计算机的每个用户将知道对于用户的需要和目的最有用的语言和工具。
本发明因此可以由没有许多经验的本领域普通编程员在了解这里的说明后实施。
4.产品
本发明由硬件和计算机程序产品组成,它可包括其上存储可用来对计算机(或其它电子设备)进行编程以执行按照本发明的处理的指令的机器可读介质。机器可读介质可包括但不限于:软盘、光盘、CD-ROM、磁-光盘、ROM、RAM、EPROM、EEPROM、磁卡或光卡、或适用于存储电子指令的其它类型的介质/机器可读介质。另外,本发明的软件部分也可以被下载作为计算机程序产品,其中程序可以借助于在载波或其它传播介质中体现的数据信号经由通信链路(例如,调制解调器或网络连接)从远端计算机(例如,服务器)被传送到请求的计算机(例如客户机)。
5.部件
本发明的系统和方法的主要组成部件(也可互换地被称为方面、子系统、模块、功能、服务)及其提供的优点的例子在这里参照附图进行描述。对于包括处理/装置块的附图,每个块(分开地或组合地)是可选地由计算机实施的、计算机辅助的和/或由人实施的。计算机实施方案可选地包括一个或多个常规的通用计算机,具有处理器、存储器、存储装置、输入设备、输出设备和/或常规的联网设备、协议和/或常规的客户机-服务器硬件和软件。在任何块或块的组合是计算机实施的场合下,它可选地由常规的装置完成,由此计算机实施方案领域的技术人员可以利用常规的算法、部件和设备来实施这里提供的本发明的要求和设计。然而,本发明也提供任何新的、非常规的实施装置。
6.Web设计
该系统的任何网站方面/实施方案包括对于有经验的网站开发人员熟知的惯用的网站开发考虑。这样的考虑包括内容、内容清除、内容呈现、结构、数据库链接、外部网址链接、页数、总的尺寸和存储要求、维护、访问速度、图形的使用、元标签的选择,以便易于实现命中、隐私考虑和弃权声明。
7.其它实施方案
从以上的详细说明,本发明的其它实施方案及其各个部件对于本领域技术人员将变得清楚。正如将会看到的,本发明能够实现其它的和不同的实施例,并且它的几个细节在各个明显的方面能够加以修改,但全部都不背离本发明的主旨和范围。因此,附图和详细说明被认为事实上是说明性的,而不是限制性的。因此,本发明不意图受限,除了由所附权利要求指示的。
Claims (3)
1.一种用于预测润滑剂原油混合物的特性的方法,该方法包括以下步骤:
a.生成至少两种润滑剂原油的混合物的样本的NMR光谱、HPLC-UV光谱和FIMS光谱;
b.由所述光谱确定样本的至少一个组成物结构分子参数;
c.生成样本的SIMDIST和HPO分析结果;
d.由这样的分析结果确定样本的组成物沸点分布和分子重量;
e.把所述至少一个组成物结构分子参数、组成物沸点分布和组成物分子重量加到经过训练的神经网络上进行训练,与所述至少一个组成物结构分子参数、组成物沸点分布和组成物分子重量进行相关,以预测所述样本的组合物特性,其中所述特性包括在40℃下的运动粘滞系数、在100℃下的运动粘滞系数、粘滞度指数、始凝点、氧化性能。
2.权利要求1的方法,还包括提供神经网络和训练所述神经网络以提供所述训练的神经网络的步骤。
3.权利要求2的方法,其中所述训练步骤包括以下步骤:
a.得到一组润滑剂原油样本;
b.对于所述碳氢化合物样本组,生成NMR、HPLC-UV和FIMS光谱以及SIMIST和VPO数据;
c.测量所述润滑剂原油样本的所希望的特性,包括在40℃下的运动粘滞系数、在100℃下的运动粘滞系数、粘滞度指数、始凝点、氧化性能,以提供已知的特性;
d.确定每个所述润滑剂原油样本的至少一个结构分子参数、沸点分布和分子重量;
e.对于已知的润滑剂原油特性,构建对于润滑剂原油样本组的至少一个组成物结构分子参数、沸点分布和分子重量以及已知的特性的矩阵,由此得到针对每个润滑剂原油特性的模型;以及
f.用所述至少一个结构分子参数、沸点分布和分子重量以及每个润滑剂原油特性矩阵来训练神经网络,得到在所述至少一个结构分子参数、沸点分布和分子重量输入与润滑剂原油特性输出之间的相关性,以提供所述经过训练的神经网络。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US1549007P | 2007-12-20 | 2007-12-20 | |
US61/015,490 | 2007-12-20 | ||
PCT/US2008/087180 WO2009085834A1 (en) | 2007-12-20 | 2008-12-17 | Base oil properties expert system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101903765A true CN101903765A (zh) | 2010-12-01 |
CN101903765B CN101903765B (zh) | 2014-06-25 |
Family
ID=40427144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200880121685.8A Expired - Fee Related CN101903765B (zh) | 2007-12-20 | 2008-12-17 | 原油特性专家系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US8051020B2 (zh) |
JP (1) | JP5362742B2 (zh) |
CN (1) | CN101903765B (zh) |
AU (1) | AU2008343245B2 (zh) |
GB (1) | GB2468072B (zh) |
WO (1) | WO2009085834A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103217513A (zh) * | 2012-01-18 | 2013-07-24 | 中国石油天然气股份有限公司 | 一种基于调合指数概念的轻柴油冷滤点的预测方法 |
CN104115006A (zh) * | 2011-12-12 | 2014-10-22 | 纳诺努德股份公司 | 一种测定油中的催化剂粉末的方法 |
CN107257926A (zh) * | 2015-01-05 | 2017-10-17 | 沙特阿拉伯石油公司 | 通过紫外可见光谱法表征原油 |
CN108279251A (zh) * | 2018-01-26 | 2018-07-13 | 中国石油大学(北京) | 一种石油分子层次分离过程模拟的方法及其装置 |
CN111494988A (zh) * | 2020-06-30 | 2020-08-07 | 汉谷云智(武汉)科技有限公司 | 基于深度学习的原油储罐切水方法、设备及存储介质 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10684239B2 (en) | 2011-02-22 | 2020-06-16 | Saudi Arabian Oil Company | Characterization of crude oil by NMR spectroscopy |
US10677718B2 (en) | 2011-02-22 | 2020-06-09 | Saudi Arabian Oil Company | Characterization of crude oil by near infrared spectroscopy |
US11022588B2 (en) | 2011-02-22 | 2021-06-01 | Saudi Arabian Oil Company | Characterization of crude oil by simulated distillation |
US10571452B2 (en) * | 2011-06-28 | 2020-02-25 | Saudi Arabian Oil Company | Characterization of crude oil by high pressure liquid chromatography |
US10725013B2 (en) | 2011-06-29 | 2020-07-28 | Saudi Arabian Oil Company | Characterization of crude oil by Fourier transform ion cyclotron resonance mass spectrometry |
US9868921B2 (en) * | 2013-10-01 | 2018-01-16 | Exxonmobil Research And Engineering Company | Lubricant design manufacturability process |
SG11201705473XA (en) | 2015-01-05 | 2017-08-30 | Saudi Arabian Oil Co | Relative valuation method for naphtha streams |
KR20170119682A (ko) | 2015-01-05 | 2017-10-27 | 사우디 아라비안 오일 컴퍼니 | 근적외선 분광법에 의한 원유의 특성화 |
SG11201705505XA (en) | 2015-01-05 | 2017-08-30 | Saudi Arabian Oil Co | Characterization of crude oil and its fractions by thermogravimetric analysis |
CN106870911B (zh) * | 2016-08-31 | 2019-09-17 | 沈阳鼓风机集团压力容器有限公司 | 用于鼓风机及压缩机辅机的润滑油系统的设计方法及装置 |
US11415567B2 (en) | 2018-03-06 | 2022-08-16 | Schlumberger Technology Corporation | Method for determining the true boiling points of complex hydrocarbon fluids using nuclear magnetic resonance |
JP6624533B1 (ja) * | 2018-11-08 | 2019-12-25 | ジャパンモード株式会社 | 材料物性推定プログラム、材料生成機構推定プログラム |
US11781988B2 (en) | 2022-02-28 | 2023-10-10 | Saudi Arabian Oil Company | Method to prepare virtual assay using fluorescence spectroscopy |
US11913332B2 (en) | 2022-02-28 | 2024-02-27 | Saudi Arabian Oil Company | Method to prepare virtual assay using fourier transform infrared spectroscopy |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002334293A (ja) * | 2001-05-07 | 2002-11-22 | Ricoh Co Ltd | 特性予測システム、特性予測方法およびその方法を記憶した記憶媒体 |
CN1427254A (zh) * | 2001-12-18 | 2003-07-02 | 施卢默格海外有限公司 | 用于通过核磁共振数据确定烃类混合物的分子特性的方法 |
US20060199743A1 (en) * | 2005-03-03 | 2006-09-07 | Chevron U.S.A. Inc. | Polyalphaolefin & fischer-tropsch derived lubricant base oil lubricant blends |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6025305A (en) * | 1998-08-04 | 2000-02-15 | Exxon Research And Engineering Co. | Process for producing a lubricant base oil having improved oxidative stability |
US7069203B2 (en) * | 2003-10-31 | 2006-06-27 | Chevron Oronite Company Llc | Method and system of product development process for chemical compositions using high volume modeling |
US7045055B2 (en) * | 2004-04-29 | 2006-05-16 | Chevron U.S.A. Inc. | Method of operating a wormgear drive at high energy efficiency |
JP4964426B2 (ja) * | 2005-03-30 | 2012-06-27 | Jx日鉱日石エネルギー株式会社 | 潤滑油組成物 |
US9018148B2 (en) * | 2005-04-28 | 2015-04-28 | Cherron Oronite Company LLC | Method and system for screening lubricating oil compositions |
WO2007016309A2 (en) * | 2005-07-29 | 2007-02-08 | Exxonmobil Research And Engineering Company | Method to determine predictive tests and device applying same to lubricant formulations |
-
2008
- 2008-12-17 WO PCT/US2008/087180 patent/WO2009085834A1/en active Application Filing
- 2008-12-17 CN CN200880121685.8A patent/CN101903765B/zh not_active Expired - Fee Related
- 2008-12-17 AU AU2008343245A patent/AU2008343245B2/en not_active Ceased
- 2008-12-17 JP JP2010539735A patent/JP5362742B2/ja not_active Expired - Fee Related
- 2008-12-17 GB GB1008982.9A patent/GB2468072B/en not_active Expired - Fee Related
- 2008-12-17 US US12/336,636 patent/US8051020B2/en not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002334293A (ja) * | 2001-05-07 | 2002-11-22 | Ricoh Co Ltd | 特性予測システム、特性予測方法およびその方法を記憶した記憶媒体 |
CN1427254A (zh) * | 2001-12-18 | 2003-07-02 | 施卢默格海外有限公司 | 用于通过核磁共振数据确定烃类混合物的分子特性的方法 |
US20060199743A1 (en) * | 2005-03-03 | 2006-09-07 | Chevron U.S.A. Inc. | Polyalphaolefin & fischer-tropsch derived lubricant base oil lubricant blends |
Non-Patent Citations (3)
Title |
---|
A.S.PENSADO等: "Relationship between Viscosity Coefficients and Volumetric Properties:Measurements and Modeling for Pentaerythritol Esters", 《IND. ENG. CHEM. RES.》 * |
B.BASU等: "Prediction of Oxidation Stability of Inhibited Base Oils from Chemical Composition using an Artificial Neural Network (ANN)", 《LUBRICATION SCIENCE》 * |
BRAJENDRA K. SHARMA等: "Pressure Viscosity Coefficient of Lubricant Base Oils As Estimated by Nuclear Magnetic Resonance Spectroscopy", 《IND. ENG. CHEM. RES.》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104115006A (zh) * | 2011-12-12 | 2014-10-22 | 纳诺努德股份公司 | 一种测定油中的催化剂粉末的方法 |
CN103217513A (zh) * | 2012-01-18 | 2013-07-24 | 中国石油天然气股份有限公司 | 一种基于调合指数概念的轻柴油冷滤点的预测方法 |
CN107257926A (zh) * | 2015-01-05 | 2017-10-17 | 沙特阿拉伯石油公司 | 通过紫外可见光谱法表征原油 |
CN107257926B (zh) * | 2015-01-05 | 2020-12-01 | 沙特阿拉伯石油公司 | 通过紫外可见光谱法表征原油 |
CN108279251A (zh) * | 2018-01-26 | 2018-07-13 | 中国石油大学(北京) | 一种石油分子层次分离过程模拟的方法及其装置 |
CN108279251B (zh) * | 2018-01-26 | 2019-08-02 | 中国石油大学(北京) | 一种石油分子层次分离过程模拟的方法及其装置 |
CN111494988A (zh) * | 2020-06-30 | 2020-08-07 | 汉谷云智(武汉)科技有限公司 | 基于深度学习的原油储罐切水方法、设备及存储介质 |
CN111494988B (zh) * | 2020-06-30 | 2020-09-29 | 汉谷云智(武汉)科技有限公司 | 基于深度学习的原油储罐切水方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
AU2008343245B2 (en) | 2015-03-12 |
JP2011508217A (ja) | 2011-03-10 |
GB2468072B (en) | 2012-02-29 |
US20100049681A1 (en) | 2010-02-25 |
JP5362742B2 (ja) | 2013-12-11 |
US8051020B2 (en) | 2011-11-01 |
GB2468072A (en) | 2010-08-25 |
GB201008982D0 (en) | 2010-07-14 |
CN101903765B (zh) | 2014-06-25 |
AU2008343245A1 (en) | 2009-07-09 |
WO2009085834A1 (en) | 2009-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101903765B (zh) | 原油特性专家系统 | |
Hui | boral–Bayesian ordination and regression analysis of multivariate abundance data in R | |
Sanderman et al. | Mid‐infrared spectroscopy for prediction of soil health indicators in the United States | |
Leroy et al. | Analysing economic costs of invasive alien species with the invacost R package | |
Lopez‐Gonzalez et al. | ForestPlots. net: a web application and research tool to manage and analyse tropical forest plot data | |
Pearce et al. | Modelling distribution and abundance with presence‐only data | |
Liu et al. | Selecting thresholds for the prediction of species occurrence with presence‐only data | |
Ferrier et al. | Using generalized dissimilarity modelling to analyse and predict patterns of beta diversity in regional biodiversity assessment | |
Horsburgh et al. | Components of an environmental observatory information system | |
US8196114B2 (en) | System and method for service offering for feedback controller design and implementation for performance management in information technology systems | |
Averill et al. | Soil microbiome predictability increases with spatial and taxonomic scale | |
JP2008065828A (ja) | サプライチェーン・ファシリティ・パフォーマンス・アナライザ | |
Pop | Simulating lithic raw material variability in archaeological contexts: a re-evaluation and revision of Brantingham’s neutral model | |
Emilio et al. | Assessing the relationship between forest types and canopy tree beta diversity in Amazonia | |
McCord et al. | Adaptive monitoring in support of adaptive management in rangelands | |
Arinkoola et al. | Examination of experimental designs and response surface methods for uncertainty analysis of production forecast: A Niger Delta case study | |
Assouline | Modeling soil compaction under uniaxial compression | |
CN113626285A (zh) | 基于模型的作业监控方法、装置、计算机设备和存储介质 | |
CN108108873A (zh) | 输电现场作业管理的方法、装置、计算机设备及存储介质 | |
Shaw et al. | Database solutions for genebanks and germplasm collections | |
Abraham et al. | The Need for a Comprehensive Cement Database-A Novel Approach to Best Practices by Cataloging Cement Properties | |
Garbrecht et al. | Generating synthetic daily precipitation realizations for seasonal precipitation forecasts | |
US20020032669A1 (en) | Method and system for information development and access | |
Restrepo et al. | A New tool for formation damage management | |
WO2005095952A1 (en) | System and method for simulating lubricating oil testing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140625 Termination date: 20171217 |