CN107966420B - 一种由近红外光谱预测原油性质的方法 - Google Patents
一种由近红外光谱预测原油性质的方法 Download PDFInfo
- Publication number
- CN107966420B CN107966420B CN201610911610.6A CN201610911610A CN107966420B CN 107966420 B CN107966420 B CN 107966420B CN 201610911610 A CN201610911610 A CN 201610911610A CN 107966420 B CN107966420 B CN 107966420B
- Authority
- CN
- China
- Prior art keywords
- crude oil
- virtual
- spectrum
- sample
- samples
- 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.)
- Active
Links
- 239000010779 crude oil Substances 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 49
- 238000001228 spectrum Methods 0.000 claims abstract description 101
- 239000013598 vector Substances 0.000 claims abstract description 52
- 238000002835 absorbance Methods 0.000 claims abstract description 34
- 230000003595 spectral effect Effects 0.000 claims description 53
- 238000005070 sampling Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004497 NIR spectroscopy Methods 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 2
- 238000010183 spectrum analysis Methods 0.000 claims description 2
- 230000000704 physical effect Effects 0.000 abstract description 8
- 238000007796 conventional method Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000011156 evaluation Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000004821 distillation Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 4
- 239000002253 acid Substances 0.000 description 4
- 238000009835 boiling Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 4
- 239000003209 petroleum derivative Substances 0.000 description 4
- 229910052717 sulfur Inorganic materials 0.000 description 4
- 239000011593 sulfur Substances 0.000 description 4
- 238000009827 uniform distribution Methods 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004566 IR spectroscopy Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 239000000084 colloidal system Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000002149 energy-dispersive X-ray emission spectroscopy Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 238000003918 potentiometric titration Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007655 standard test method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种由近红外光谱预测原油性质的方法，包括收集各种类型原油样品，用常规方法测定其物性数据，并测定近红外光谱，进行二阶微分处理，选取4628～4000cm‑1和6076～5556cm‑1谱区的吸光度与原油样品对应的物性数据建立原油样品近红外光谱数据库，将待测原油样品在上述谱区的吸光度构成光谱矢量x，通过计算识别参数Qi,取Qi值最大的u个邻近原油样品，组成邻近物性数据库，并以此为基准，通过随机虚拟建立虚拟数据库，由其中识别成功的若干与待测原油接近的虚拟数据库样品的性质通过加权计算预测待测原油的性质。该法可有效提高原油性质的预测准确性。
Description
技术领域
本发明为一种原油种类识别及性质预测方法，具体地说，是一种由近红外光谱预测原油性质的方法。
背景技术
原油评价在原油开采、原油贸易、原油加工等各个方面发挥着十分重要的作用，尽管目前已经建立了一套较为完整的原油评价方法，但是这些方法分析时间长、工作量大、成本高，远不能满足实际应用的需要。因此，目前国内外大型石化企业都正在基于多种现代仪器分析手段开发建立原油快速评价技术，包括色-质联用(GC-MS)、核磁共振(NMR)、近红外光谱(NIR)和红外光谱(IR)等，其中NIR方法由于测量方便、速度快、并可用于现场或在线分析而倍受青睐。
与NIR测定其他油品如汽、柴油不同的是，原油评价指标多，例如仅原油的一般性质就有几十项，若加上各馏分的性质将有上百项。若采用传统的因子分析方法如偏最小二乘(PLS)建立逐个性质的校正模型显然是不可行的。将近红外光谱与原油性质数据库结合起来是较好解决这一问题的技术路线之一，即以NIR光谱为特征对待测原油进行识别，从NIR光谱库中识别出其品种，然后再从已有的原油性质数据库中调出其评价数据，从而实现原油快速评价的目的，为确定原油加工方案和优化生产决策及时获得评价数据提供了一种简捷的方法。
现存的原油评价知识库大都具有原油比对的功能，通过待测原油的几个已知性质如密度、粘度、酸值、硫含量和残碳等从数据库中找出最相似的一种或多种原油，从而用这些近似的原油评价数据给出待测原油的评价数据。这类方法用到的识别参数是原油的一些基本性质，这些原油性质的测定相对繁琐，且测量时间长，提供的信息也不全面，限制了这种方式的应用普及。
近红外光谱主要反映的是C-H、N-H和S-H等含氢官能团的信息，非常适合油品的定量和定性分析，原油的近红外光谱中包含了丰富的组成结构信息，具有很强的指纹性，且近红外光谱的采集方便、快速、成本低，因此，以近红外光谱为指纹特征对原油的品种进行识别将会成为一种快速简便的原油识别方式。
CN200910169611.8公开了“一种由近红外光谱快速识别原油种类的方法”，该法基于移动窗口概念(Moving Window)结合传统相关系数法提出了一种用于原油近红外光谱快速识别的方法－移动窗口相关系数法。这种方法可以准确地对原油品种进行识别，结合原油评价数据库能够快速给出待测原油的性质数据，是一种简易而可靠的原油评价分析数据快速预测方法。但是，在实际应用过程中，由于不同时期开采的同一种原油在化学组成上往往会有一定的差异，或者在储运过程中混杂了其它种类的原油，原油的性质也相应地会发生改变，所以采用CN200910169611.8的方法，经常无法从原油近红外光谱库中识别出与待测原油完全一致的原油种类，大大限制了这种快速识别技术的应用范围。
CN201410449024.5公开的采用原油光谱的随机虚拟混兑方法，由于随机产生了大容量的虚拟原油光谱，在很大程度了提高了原油识别成功的概率。但是，在实际应用过程中，由于原油在采集光谱过程中环境条件会发生变化，同一原油在不同时间所测的光谱会发生一定变化，这些光谱的变化会影响识别结果，使识别结果发生相应改变，致使最终预测的原油评价结果产生变动，预测结果的重复性变差，预测准确性也受到一定影响。
发明内容
本发明的目的是提供一种由近红外光谱预测原油性质的方法，该法可有效提高原油性质的预测准确性。
本发明提供的一种由近红外光谱预测原油性质的方法，包括如下步骤：
(1)收集各种类型原油样品，用常规方法测定其性质数据，并测定近红外光谱，将原油样品的近红外光谱进行二阶微分处理，选取4628～4000cm-1和6076～5556cm-1谱区的吸光度与原油样品对应的性质数据建立原油样品近红外光谱数据库，
(2)测定待测原油样品的近红外光谱并进行二阶微分处理，选取4628～4000cm-1和6076～5556cm-1谱区的吸光度构成光谱矢量x，
(3)计算光谱矢量x与原油样品近红外光谱数据库每个样品在4628～4000cm-1和6076～5556cm-1谱区的每个移动相关系数，按式(Ⅰ)计算每个数据库样品的识别参数Qi，
式(Ⅰ)中，rji为移动相关系数；i为所用光谱数据库中样品的序号，j为移动窗口的序号，n为移动窗口总数，m为所用光谱数据库样品总数，
(4)计算阈值Qt，Qt＝(d-w-0.15)，其中d为近红外光谱在特征谱区吸光度的采样点数，w为移动窗口宽度；
(5)取Qi值最大的u个邻近原油样品，从近红外光谱数据库中取其近红外光谱组成邻近光谱阵Nu×d，并将这u个原油样品对应的性质数据组成邻近性质数据阵Pu×k，k为原油样品的性质数据的种类个数，
(6)随机取s个0～1之间的小数，将这s个小数进行归一化处理，得到由s个归一化小数构成的向量v，将向量v与邻近光谱阵Nu×d相乘，得到一个虚拟的原油光谱z；将向量v与邻近性质数据阵Pu×k相乘，得到该虚拟原油的性质向量p；重复虚拟过程，直至获得g个虚拟的原油光谱，及g个对应的虚拟原油的性质向量，将这g个虚拟的原油光谱组成虚拟光谱阵Vg×d和虚拟性质数据阵Wg×k，为虚拟光谱库，
(7)计算光谱矢量x与虚拟光谱阵Vg×d每个样品在4628～4000cm-1和6076～5556cm-1谱区的每个移动相关系数，按(3)步式(Ⅰ)计算虚拟光谱阵每个样品的识别参数Qi，将Qi大于阈值Qt，且每一个移动相关系数都不小于0.9900的虚拟原油样品选出，为识别成功的原油样品，共计t个，将其与设定的样品个数a比较，a＝5～30，
(8)若t≥a，则从虚拟光谱阵Vg×d中，取识别参数Qi最大的前a个虚拟原油光谱组成虚拟邻近光谱阵Ma×d，同时将这a个虚拟原油样品对应的性质数据组成虚拟邻近性质数据阵Ra×k，按式(II)计算待测原油样品的性质数据：
式(Ⅱ)中，qun为待测原油的性质数据预测值；j＝1,2,…,a，Qj为待测原油与识别成功的虚拟邻近光谱阵中第j个原油样品的识别参数，Rj为虚拟邻近性质数据阵中第j个原油的性质数据向量，向量中性质数据的种类数为k。
本发明方法提出了一种稳健的由近红外光谱快速预测原油性质的方法，通过识别一组与待测原油光谱最相近的虚拟库光谱，再根据待测原油光谱与这一组虚拟库光谱中每一个光谱的相似程度，由虚拟库光谱对应的原油性质，通过相似度加权计算得到待测原油的性质。
具体实施方式
本发明通过待测原油的近红外光谱，在已知的数据库中选择邻近样品建立虚拟数据库，再从虚拟数据库中选择适量邻近样品，再由所选的虚拟邻近样品的性质通过相似度加权计算预测待测原油的性质，从而有效提高待测原油性质的预测准确性。本发明由于通过一组与待测原油邻近的样品的性质预测其性质，较之现有技术仅依赖于唯一一个识别成功的库光谱或虚拟的库光谱预测原油性质的方法，预测结果重复性更好，准确性更高。
本发明方法(1)步为建立原油样品近红外光谱数据库，收集的有代表性的原油样品数量优选200～800个，用常规方法测定原油样品各种所需的物性数据，与其特征谱区经二阶微分处理的吸光度对应建立近红外光谱数据库。
(2)步和(3)步为在已建的原油样品近红外光谱数据库中识别待测原油样品，(2)步采用与(1)步建库相同的方法测定待测原油样品的近红外光谱，取其特征谱区经二阶微分处理的吸光度作为光谱矢量，再用待测样品的光谱矢量，按(3)步所述的方法计算其相对于每个库光谱样品的识别参数Qi。
本发明方法(4)步为阈值计算，所述阈值作为判断识别成功的依据之一，其中所述的在特征谱区吸光度的采样点数为在特征谱区采集吸光度的波长点数目。
(5)步选取邻近原油样品的依据为(3)步计算的识别参数，识别参数Q越大，说明其与待测原油越接近。选取其中Q最大的u个原油样品作为邻近原油样品。所选邻近样品的数目u优选10～60。将所选邻近原油样品在特征谱区的吸光度与对应的物性数据组成邻近光谱阵和邻近性质数据阵，为邻近样品库。
(6)步为用邻近原油样品通过均匀分布法构建虚拟原油样品，获得的虚拟原油g的数目优选为500～5000个、更优选800～1500个。
(7)步是在虚拟数据库中再对待测原油样品进行重新识别，识别的方法与(3)步相同，在计算得到的识别参数中，选择识别参数大于阈值，且每一个移动相关系数都不小于0.9900的虚拟原油样品，即认为其与待测原油样品相同，为识别成功的原油样品，其数目共计t个，t为大于零的整数。
将t与一个设定数a比较，若其值大于等于a，则在虚拟光谱阵(Vg×d)中选识别参数最大的a个虚拟原油样品，由a个虚拟原油样品的性质，由式(Ⅱ)通过与待测原油的相似性加权计算待测原油样品的性质。
(7)步中，若t<a，则对虚拟光谱阵Vg×d和虚拟性质数据阵Wg×k组成的虚拟光谱数据库，按(3)至(7)步方法对其进行处理，直到识别成功的原油样品数t大于设定的样品个数a，再按式(II)计算待测原油样品的性质数据。
本发明所述的近红外光谱为扫描波数范围内各采样点对应的吸光度，所述的采样点间隔为2～16个波数，由近红外光谱仪的分辨率决定。
本发明方法采用移动相关系数的总和为识别参数。传统的相关系数常用来比较两个光谱的相似程度，计算时所有光谱变量都参与运算，最终得到一个相关系数值，其计算公式如式②：
式②中，
分别为第i个和第j个光谱所有波数点吸光度的均值，n为波数采样点数，k为波数采样序号。两个光谱越接近，它们之间的相似系数越接近于1或-1。
所述的移动相关系数采用移动窗口测定，所述的移动窗口是选择一个宽度为w的光谱窗口，从整个光谱的第一个波数采样点开始移动，每次移动一至多个波数的采样间隔，为窗口的移动距离，直至最后一个波数的采样点。移动窗口的移动方向可以是从波数小的采样点向波数大的采样点移动，也可以是从波数大的采样点向波数小的采样点移动。每次移动移动窗口的距离为1～10个采样点。
本发明所述的移动相关系数是指对于要比较的两个光谱，对每一个移动窗口波数区都用传统的相关系数公式计算出两个要比较的相关系数—移动相关系数，得到一系列的子波数区的移动相关系数。所述的子波数区为一个移动窗口的宽度。
所述的移动相关系数的测定方法为：在特征光谱区间，从波数最低的采样点选择一个移动窗口的宽度，计算该窗口内的待测原油样品与数据库中每个样品的吸光度的相关系数，然后将移动窗口向波数高的方向移动若干个采样点，为下一个移动窗口，计算此移动窗口内的待测原油样品与数据库中每个样品的吸光度的相关系数，按上述方法连续移动移动窗口，计算每个移动窗口内待测原油样品与数据库中每个样品的吸光度的相关系数。
将得到的相关系数值与对应移动窗口的起始位置作图，即得到移动相关系数图。从该图中可以方便地看出两个光谱之间的相似程度，若两个光谱完全相同，则在整个光谱范围内的移动相关系数值都为1，若两个光谱只是在某一区间存在差异，则该区间的相关系数值将明显下降。显然，相对于传统的基于整个光谱的相关系数，移动相关系数可以分辨出存在细微差异的两个光谱，提高谱图的识别准确率，并有利于隐含信息的提取。
在移动相关系数计算中，移动窗口的宽度应是一个固定值，优选3～25个采样点。移动窗口宽度过小，虽有助于细节信息的辨别，但会存在不能准确识别同一种原油的风险。移动窗口宽度过大，虽可以排除外界测试条件如温度和湿度等的影响，但会存在错误识别的风险。
本发明方法适用于从已建的原油样品数据库中快速识别与待测原油样品相同的原油样品，借助已有的原油样品的物性数据，快速预测待测原油样品的物性数据。
下面通过实例进一步详细说明本发明，但本发明并不限于此。
实例中测定原油近红外光谱的仪器采用ThermoAntarisII傅立叶变换近红外光谱仪，光谱范围3800～10000cm-1，分辨率8cm-1，采样间隔为4cm-1，累积扫描次数64次，透射测量方式。
测定原油样品物性的常规方法如下：
密度：GB/T 13377原油和液体或固体石油产品密度或相对密度的测定，
酸值：GB/T 7304石油产品酸值的测定电位滴定法，
残炭：GB/T 17144石油产品残炭测定法(微量法)，
硫含量：GB/T17040石油产品硫含量测定法(能量色散X射线光谱法)，
氮含量：GB/T 17674原油中氮含量的测定(舟进样化学发光法)
蜡含量：SY/T 0537原油中蜡含量的测定，
胶质和沥青质含量：SY/T 7550原油中蜡、胶质、沥青质含量测定法
实沸点蒸馏数据：GB/T 17280原油蒸馏标准试验方法。
实例1
(1)建立原油样品近红外光谱数据库
收集有代表性的原油样品732种，原油品种基本覆盖了世界主要原油产区。测定原油样品的近红外光谱，对其进行二阶微分，选取4628.0～4000.0cm-1和6076.0～5556.0cm-1谱区的吸光度，建立原油样品的近红外光谱数据矩阵X，X的维数为732×289，其中732为收集原油的样品数，289为近红外光谱吸光度的采样点数。
将这732种原油样品的密度、酸值、残炭、硫含量、氮含量、蜡含量、胶质含量、沥青质含量和实沸点蒸馏数据(TBP，23个温度点的累积质量收率：65℃、80℃、100℃、120℃、140℃、165℃、180℃、200℃、220℃、240℃、260℃、280℃、300℃、320℃、350℃、380℃、400℃、425℃、450℃、470℃、500℃、520℃、540℃)共31个性质数据组成原油性质矩阵Y，Y的维数为732×31，其中732为收集原油的样品数，31为原油性质的个数。
用原油样品的近红外光谱矩阵X与原油样品对应的性质矩阵Y建立原油样品近红外光谱数据库。即在矩阵X和矩阵Y中，同一序号代表同一原油样品的吸光度和性质数据。
(2)建立待识别原油的吸光度矢量
按照与建立光谱数据库相同的条件测定未知原油A的近红外光谱，对其近红外光谱进行二阶微分，将4628.0～4000.0cm-1和6076.0～5556.0cm-1谱区的吸光度构成光谱矢量xA，其维数为1×289。
(3)组成邻近原油光谱数据库
对于光谱矩阵X和光谱矢量xA，分别从4000.0cm-1处开始取对应的一段光谱区间作为移动窗口，移动窗口取10个采样间隔，每个采样点间隔为4cm-1，即移动宽度为11个采样点。第1个移动窗口的光谱范围为4000.0cm-1～4040cm-1，计算X中每一个光谱与光谱矢量xA在这一光谱范围内的吸光度之间的相关系数，记为r1,i，i＝1，2，…，732。然后，移动一个取样间隔，即计算4004.0cm-1～4044cm-1光谱范围内，光谱矩阵X中每一个光谱和光谱矢量xA之间的相关系数，记为r2,i，i＝1，2，…，732。依次类推，直至计算到最后一个移动窗口6036.0～6076.0cm-1的相关系数，记为r279,i，i＝1，2，…，732。
分别计算光谱矢量xA与光谱矩阵X中每一个库光谱的识别参数Qi，其中
取Q值最大的15个原油样品，将其在特征谱区的吸光度组成邻近光谱阵N，N的维数为15×289，其中15为选取的邻近原油样品数，289为近红外光谱吸光度的采样点数，将所选15个原油样品对应的性质数据组成邻近性质数据阵P，P的维数为15×31，其中31为原油性质数据的个数。
(4)组成虚拟光谱数据库
采用均匀分布方法，随机产生15个0～1之间的小数，然后将这15个小数进行归一化处理，得到由15个归一化小数构成的向量v。将向量v与邻近光谱阵N15×289相乘，得到一个虚拟的原油光谱z，同时，将向量v与邻近性质数据阵P15×31相乘，得到该虚拟原油的性质向量p。重复循环这一过程，直至得到1000个虚拟的原油光谱，及其1000个对应的虚拟原油的性质数据向量，将这1000个虚拟的原油光谱组成虚拟光谱阵V1000×289，以及虚拟性质数据阵W1000×31。
(5)构建邻近虚拟光谱数据库
对于虚拟原油光谱阵V1000×289和光谱矢量xA，分别从4000.0cm-1处开始取对应的一段光谱区间作为移动窗口，移动窗口取10个采样间隔，每个采样点间隔为4cm-1，即移动宽度为11个采样点。第1个移动窗口的光谱范围为4000.0cm-1～4040cm-1，计算V1000×289中每一个光谱与光谱矢量xA在这一光谱范围内的吸光度之间的相关系数，记为r1,i，i＝1，2，…，1000。然后，移动一个取样间隔，即计算4004.0cm-1～4044cm-1光谱范围内，光谱数据库V1000×289中每一个光谱和光谱矢量xA之间的相关系数，记为r2,i，i＝1，2，…，1000。依次类推，直至计算到最后一个移动窗口6036.0～6076.0cm-1的相关系数，记为r279,i，i＝1，2，…，1000。
分别计算光谱矢量xA与V1000×289中每一个库光谱的识别参数Qi，其中
阈值Qt＝n-w-0.15＝289-11-0.15＝277.85
共有42个虚拟原油样品的识别参数Q大于阈值Qt，且每一个移动相关系数值r都不小于0.9900，为识别成功的原油样品，其序号分别为447、515、157、980、298、154、935、673、427、832、171、440、752、615、254、350、613、337、635、516、519、626、949、223、994、877、625、211、915、134、968、619、640、13、789、899、2、516、624、265、398、977。t＝42，大于设定的a值20。
(6)预测原油性质
从上述识别成功的原油样品中，选取Q值最大的前20个与待测原油最相近的虚拟原油光谱，组成虚拟邻近光谱阵M20×289，同时将这20种虚拟原油对应的性质数据组成虚拟邻近性质数据阵R20×31。按式(II)计算待测原油A的性质数据预测值，其中a＝20。预测结果见表1。
对比例1
按专利CN201410449024.5的方法预测待测原油A的性质，结果表1。
表1
实沸点蒸馏收率，w％
实例2
按实例1(1)步方法建立原油样品的近红外光谱数据库，再按(2)步方法测定未知原油样品B的近红外光谱，对其进行二阶微分，将4628.0～4000.0cm-1与6076.0～5556.0cm-1谱区的吸光度构成光谱矢量xB，其维数为1×289。
按实例1(3)步方法计算光谱矢量xB与光谱矩阵X中每一个库光谱的识别参数Qi。取Q值最大的25个原油样品，组成邻近光谱阵N，N的维数为25×289，再将所选25个原油样品对应的性质数据组成邻近性质数据阵P，P的维数为25×31，得到邻近原油光谱数据库。
(4)组成虚拟原油光谱数据库
采用均匀分布方法，随机产生25个0～1之间的小数，然后将这25个小数进行归一化处理，得到由25个归一化小数构成的向量v。将向量v与邻近光谱阵N25×289相乘，得到一个虚拟的原油光谱z。同时，将向量v与邻近性质数据阵P25×31相乘，得到该虚拟原油的性质向量p。重复循环这一过程，直至得到1000个虚拟的原油光谱，及其1000个对应的虚拟原油的性质数据向量，将这1000个虚拟的原油光谱组成虚拟光谱阵V1000×289，及虚拟性质数据阵W1000×31。
(5)构建邻近虚拟光谱数据库
按实例1(5)步的方法计算光谱矢量xB与V1000×289中每一个库光谱的识别参数Qi，并与阈值进行比较，满足识别参数Q大于阈值Qt，且每一个移动相关系数值r都不小于0.9900的原油样品共计4个，其序号为55、787、925、602即t＝4，小于a值20，需要二次构建虚拟光谱数据库。
(6)二次构建虚拟光谱数据库
在(4)步构建的虚拟光谱阵V1000×289中，将识别参数Q由大到小排列，取Q值最大的前30种虚拟原油样品，将其在特征谱区的吸光度组成邻近光谱阵N′30×289，同时将这30种原油样品对应的性质数据组成邻近性质数据阵P′30×31。
采用均匀分布方法，随机产生30个0～1之间的小数，然后将这30个小数进行归一化处理，得到由30个归一化小数构成的向量v。将向量v与邻近光谱阵N′30×289相乘，得到一个虚拟的原油光谱z。同时，将向量v与邻近性质数据阵P′30×31相乘，得到该虚拟原油的性质向量p。重复循环这一过程，直至得到1000个虚拟的原油光谱，及其1000个虚拟原油对应的性质数据向量，将这1000个虚拟的原油光谱组成二次虚拟光谱阵V′1000×289，以及二次虚拟性质数据阵W′1000×31。
(7)二次构建邻近虚拟光谱数据库
对二次虚拟原油光谱阵V′1000×289，按实例1(3)步方法计算光谱矢量xB与二次虚拟光谱矩阵V′1000×289中每一个库光谱的识别参数Qi。
共有28个虚拟原油样品的识别参数Q大于阈值Qt，且每一个移动相关系数值r都不小于0.9900，为识别成功的原油样品，其序号分别为289，46，5，547，697，641，144，885，902，367，741，487，751，26，502，411，222，281，565，936，629，183，790，103，437，605，824，381。t＝28，大于设定的a值20。
取识别参数Qi最大的前20个虚拟原油样品，将其在特征谱区的吸光度组成二次邻近光谱阵M′20×289，再将这20种虚拟原油样品对应的性质数据组成二次虚拟邻近性质数据阵R′20×31。按式(II)计算待测原油B的性质数据预测值，其中a＝20。预测结果见表2。
由表1、表2可知，较之对比例1的方法，本方法预测值与实测值之间的偏差更小，说明预测准确度高。
表2
实沸点蒸馏收率，w％
Claims (7)
1.一种由近红外光谱预测原油性质的方法，包括如下步骤：
(1)收集各种类型原油样品，用常规方法测定其性质数据，并测定近红外光谱，将原油样品的近红外光谱进行二阶微分处理，选取4628～4000cm-1和6076～5556cm-1谱区的吸光度与原油样品对应的性质数据建立原油样品近红外光谱数据库，
(2)测定待测原油样品的近红外光谱并进行二阶微分处理，选取4628～4000cm-1和6076～5556cm-1谱区的吸光度构成光谱矢量x，
(3)计算光谱矢量x与原油样品近红外光谱数据库每个样品在4628～4000cm-1和6076～5556cm-1谱区的每个移动相关系数，按式(Ⅰ)计算每个数据库样品的识别参数Qi，
式(Ⅰ)中，rji为移动相关系数；i为所用光谱数据库中样品的序号，j为移动窗口的序号，n为移动窗口总数，m为所用光谱数据库样品总数，
(4)计算阈值Qt，Qt＝(d-w-0.15)，其中d为近红外光谱在特征谱区吸光度的采样点数，w为移动窗口宽度；
(5)取Qi值最大的u个邻近原油样品，从近红外光谱数据库中取其近红外光谱组成邻近光谱阵Nu×d，并将这u个原油样品对应的性质数据组成邻近性质数据阵Pu×k，k为原油样品的性质数据的种类个数，
(6)随机取s个0～1之间的小数，将这s个小数进行归一化处理，得到由s个归一化小数构成的向量v，将向量v与邻近光谱阵Nu×d相乘，得到一个虚拟的原油光谱z；将向量v与邻近性质数据阵Pu×k相乘，得到该虚拟原油的性质向量p；重复虚拟过程，直至获得g个虚拟的原油光谱，及g个对应的虚拟原油的性质向量，将这g个虚拟的原油光谱组成虚拟光谱阵Vg×d和虚拟性质数据阵Wg×k，为虚拟光谱库，
(7)计算光谱矢量x与虚拟光谱阵Vg×d每个样品在4628～4000cm-1和6076～5556cm-1谱区的每个移动相关系数，按(3)步式(Ⅰ)计算虚拟光谱阵每个样品的识别参数Qi，将Qi大于阈值Qt，且每一个移动相关系数都不小于0.9900的虚拟原油样品选出，为识别成功的原油样品，共计t个，将其与设定的样品个数a比较，a＝5～30，
(8)若t≥a，则从虚拟光谱阵Vg×d中，取识别参数Qi最大的前a个虚拟原油光谱组成虚拟邻近光谱阵Ma×d，同时将这a个虚拟原油样品对应的性质数据组成虚拟邻近性质数据阵Ra×k，按式(II)计算待测原油样品的性质数据：
式(II)中，qun为待测原油的性质数据预测值；j＝1,2,…,a，Qj为待测原油与识别成功的虚拟邻近光谱阵中第j个原油样品的识别参数，Rj为虚拟邻近性质数据阵中第j个原油的性质数据向量，向量中性质数据的种类数为k，
若t<a，则对虚拟光谱阵Vg×d和虚拟性质数据阵Wg×k组成的虚拟光谱数据库，按(3)至(7)步方法进行处理，直到识别成功的原油样品数t大于设定的样品个数a，再按式(II)计算待测原油样品的性质数据，
所述的移动相关系数的测定方法为：在特征光谱区间，从波数最低的采样点选择一个移动窗口的宽度，计算该窗口内的待测原油样品与数据库中每个样品的吸光度的相关系数，然后将移动窗口向波数高的方向移动若干个采样点，为下一个移动窗口，计算此移动窗口内的待测原油样品与数据库中每个样品的吸光度的相关系数，按上述方法连续移动移动窗口，计算每个移动窗口内待测原油样品与数据库中每个样品的吸光度的相关系数。
2.按照权利要求1所述的方法，其特征在于(5)步选取的邻近原油样品数u为10～60。
3.按照权利要求1所述的方法，其特征在于(6)步获得的虚拟原油样品g的数目为500～5000。
4.按照权利要求1所述的方法，其特征在于所述的近红外光谱吸光度的采样点间隔为2～16个波数。
5.按照权利要求1所述的方法，其特征在于所述的移动相关系数采用移动窗口测定。
6.按照权利要求5所述的方法，其特征在于所述的移动窗口宽度为3～25个采样点。
7.按照权利要求1所述的方法，其特征在于每次移动移动窗口的距离为1～10个采样点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610911610.6A CN107966420B (zh) | 2016-10-19 | 2016-10-19 | 一种由近红外光谱预测原油性质的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610911610.6A CN107966420B (zh) | 2016-10-19 | 2016-10-19 | 一种由近红外光谱预测原油性质的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107966420A CN107966420A (zh) | 2018-04-27 |
| CN107966420B true CN107966420B (zh) | 2020-09-18 |
Family
ID=61996340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610911610.6A Active CN107966420B (zh) | 2016-10-19 | 2016-10-19 | 一种由近红外光谱预测原油性质的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107966420B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111044482B (zh) * | 2018-10-11 | 2022-07-12 | 中国石油化工股份有限公司 | 原油调配方法 |
| CN111380831B (zh) * | 2018-12-28 | 2023-07-25 | 中国石油天然气股份有限公司 | 一种原油相容性的判断方法 |
| CN110286139B (zh) * | 2019-06-04 | 2022-03-15 | 武汉工程大学 | 古漆器漆膜大数据复合特征判别方法 |
| CN116242799B (zh) * | 2023-03-14 | 2023-08-18 | 合肥工业大学 | 一种基于深度学习红外多维融合算法的基础油检测装置及检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101995389A (zh) * | 2009-08-27 | 2011-03-30 | 中国石油化工股份有限公司 | 一种由近红外光谱快速识别原油种类的方法 |
| CN102841069A (zh) * | 2011-06-23 | 2012-12-26 | 中国石油化工股份有限公司 | 一种由中红外光谱识别原油种类的方法 |
| CN104990894A (zh) * | 2015-07-09 | 2015-10-21 | 南京富岛信息工程有限公司 | 一种基于加权吸光度及相似样本的汽油性质检测方法 |
| CN105424641A (zh) * | 2014-09-04 | 2016-03-23 | 中国石油化工股份有限公司 | 一种原油种类的近红外光谱识别方法 |
| CN105466884A (zh) * | 2014-09-04 | 2016-04-06 | 中国石油化工股份有限公司 | 一种通过近红外光谱识别原油种类及其性质的方法 |
-
2016
- 2016-10-19 CN CN201610911610.6A patent/CN107966420B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101995389A (zh) * | 2009-08-27 | 2011-03-30 | 中国石油化工股份有限公司 | 一种由近红外光谱快速识别原油种类的方法 |
| CN102841069A (zh) * | 2011-06-23 | 2012-12-26 | 中国石油化工股份有限公司 | 一种由中红外光谱识别原油种类的方法 |
| CN105424641A (zh) * | 2014-09-04 | 2016-03-23 | 中国石油化工股份有限公司 | 一种原油种类的近红外光谱识别方法 |
| CN105466884A (zh) * | 2014-09-04 | 2016-04-06 | 中国石油化工股份有限公司 | 一种通过近红外光谱识别原油种类及其性质的方法 |
| CN104990894A (zh) * | 2015-07-09 | 2015-10-21 | 南京富岛信息工程有限公司 | 一种基于加权吸光度及相似样本的汽油性质检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Rapid identification and assay of crude oils based on moving –window correlation coefficient and near infrared spectral library;Xiao-Li Chu et al.;《 Chemometrics and Intelligent Laboratory Systems》;20110122;第107卷;第44-49页 * |
| 分子光谱自动检索算法、策略与应用进展;褚小立 等;《分析化学评述与进展》;20140930;第42卷(第9期);第1379-1386页 * |
| 用于近红外光谱分析的化学计量学方法研究与应用进展;褚小立 等;《分析化学评述与进展》;20080710;第36卷(第5期);第706页5基于局部样本的建模策略 * |
| 近红外光谱用于原油快速评价的研究;褚小立 等;《石油炼制与化工》;20120131;第43卷(第1期);第72-77页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107966420A (zh) | 2018-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105388123B (zh) | 一种由近红外光谱预测原油性质的方法 | |
| CN105466884B (zh) | 一种通过近红外光谱识别原油种类及其性质的方法 | |
| CN105424641B (zh) | 一种原油种类的近红外光谱识别方法 | |
| CN101995389B (zh) | 一种由近红外光谱快速识别原油种类的方法 | |
| CN107966420B (zh) | 一种由近红外光谱预测原油性质的方法 | |
| CN102374975B (zh) | 一种利用近红外光谱预测油品物性数据的方法 | |
| CN103534578B (zh) | 确定样本中存在的成分的光谱装置以及方法 | |
| CN104990894B (zh) | 一种基于加权吸光度及相似样本的汽油性质检测方法 | |
| Chu et al. | Rapid identification and assay of crude oils based on moving-window correlation coefficient and near infrared spectral library | |
| Cozzolino et al. | A brief introduction to multivariate methods in grape and wine analysis | |
| CN109324013B (zh) | 利用高斯过程回归模型构建原油性质近红外快速分析方法 | |
| CN107748146A (zh) | 一种基于近红外光谱检测的原油属性快速预测方法 | |
| CN109324014B (zh) | 一种自适应的原油性质近红外快速预测方法 | |
| CN102841069B (zh) | 一种由中红外光谱识别原油种类的方法 | |
| CN107976419B (zh) | 一种由油品近红外光谱预测其性质的方法 | |
| CN106770015B (zh) | 一种基于主成分分析相似判别的油品性质检测方法 | |
| CN102841070B (zh) | 由二维相关红外同步光谱识别原油种类的方法 | |
| CN101900672A (zh) | 一种润滑油种类和粘度级别的快速识别方法 | |
| CN107976417B (zh) | 一种基于红外光谱的原油种类识别方法 | |
| CN107966499B (zh) | 一种由近红外光谱预测原油碳数分布的方法 | |
| CN102841071B (zh) | 由二维相关红外异步光谱识别原油种类的方法 | |
| CN109724938B (zh) | 由近红外光谱预测润滑油基础油性质的方法 | |
| CN111474124B (zh) | 一种基于补偿的光谱波长选择方法 | |
| CN116008216A (zh) | 用于检测油液掺混的方法及设备 | |
| CN109724939B (zh) | 由近红外光谱预测加氢尾油性质的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |