CN107976416B - 一种由红外光谱预测原油性质的方法 - Google Patents
一种由红外光谱预测原油性质的方法 Download PDFInfo
- Publication number
- CN107976416B CN107976416B CN201610920238.5A CN201610920238A CN107976416B CN 107976416 B CN107976416 B CN 107976416B CN 201610920238 A CN201610920238 A CN 201610920238A CN 107976416 B CN107976416 B CN 107976416B
- Authority
- CN
- China
- Prior art keywords
- crude oil
- spectrum
- fitting
- polar coordinate
- score
- 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 174
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 56
- 238000001228 spectrum Methods 0.000 claims abstract description 74
- 239000013598 vector Substances 0.000 claims abstract description 54
- 238000002835 absorbance Methods 0.000 claims abstract description 41
- 230000003595 spectral effect Effects 0.000 claims description 26
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 7
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 7
- 239000002253 acid Substances 0.000 claims description 7
- 238000004821 distillation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 229910052717 sulfur Inorganic materials 0.000 claims description 7
- 239000011593 sulfur Substances 0.000 claims description 7
- 238000009835 boiling Methods 0.000 claims description 6
- 239000001993 wax Substances 0.000 claims description 6
- 238000010561 standard procedure Methods 0.000 claims description 5
- 238000004566 IR spectroscopy Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000007796 conventional method Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 6
- 239000000084 colloidal system Substances 0.000 description 5
- 239000003209 petroleum derivative Substances 0.000 description 5
- 239000003921 oil Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 238000005102 attenuated total reflection Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 125000002915 carbonyl group Chemical group [*:2]C([*:1])=O 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002149 energy-dispersive X-ray emission spectroscopy Methods 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
- 238000012067 mathematical method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000003918 potentiometric titration Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007655 standard test method Methods 0.000 description 1
Images
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
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
一种由红外光谱预测原油性质的方法，包括收集一组至少200个原油样品，用常规方法测定原油样品的性质数据，测定原油样品的近红外光谱和中红外光谱，取如下五个谱区W1＝1650～1800cm‑1，W2＝4000～4500cm‑1，W3＝4500～5000cm‑1，W4＝5000～5500cm‑1，W5＝5500～6000cm‑1的吸光度计算其极座标投影得分，建立原油光谱拟合数据库，再计算待测原油样品在特征谱区吸光度的极座标投影得分向量，将其与原油库样品的光谱极座标投影得分进行拟合，获得拟合度，若拟合度小于设定的阈值，则由参与拟合的库样品的性质预测待测原油样品。
Description
技术领域
本发明为一种利用红外光谱预测原油性质的方法，具体地说，是一种通过建立已知原油样品光谱数据库，由库样品性质数据预测待测原油性质的方法。
背景技术
原油的快速评价在原油贸易、原油调合和原油加工等方面都具有重要的意义。CN201010257164公开了一种利用近红外光谱预测油品物性数据的方法，该法使用库光谱拟合方法(Library Spectra Fitting Method)预测原油的性质，基于光谱相似、性质相似的原理，通过光谱库中的一张或多张光谱对未知待测样品的光谱进行拟合，然后根据库中参与拟合光谱原油的性质计算出待测样品的性质。
该方法存在的主要问题是数学计算量大，耗费较长的计算时间，对于一个包含500条原油光谱的数据库，拟合往往需要15min，限制了该方法的应用。因此，如何提高计算速度是该方法亟待解决的技术问题。
发明内容
本发明的目的是提供一种由红外光谱预测原油性质的方法，该法可有效提高由红外光谱预测原油的性质的速度，并提高预测准确性。
本发明提供的由红外光谱预测原油性质的方法，包括如下步骤：
(1)收集一组原油样品，样品数量至少为200，用标准方法测定原油样品的性质数据，
(2)测定原油样品的近红外光谱和中红外光谱，将光谱进行二阶微分后，取特征谱区的吸光度，与原油样品对应的性质数据组成原油光谱数据库，所述的特征谱区为：W1＝1650～1800cm-1，W2＝4000～4500cm-1，W3＝4500～5000cm-1，W4＝5000～5500cm-1，W5＝5500～6000cm-1，
(3)计算原油光谱数据库中每个原油样品在上述五个特征谱区的吸光度在X轴和Y轴的极坐标投影得分，得到其得分向量，并由各原油样品的得分向量建立原油光谱拟合数据库，
(4)测定待测原油的中红外光谱和近红外光谱，进行二阶微分处理，取其在上述特征谱区的吸光度，计算吸光度在X、Y轴的极坐标投影得分，构成待测原油的极坐标投影得分向量，
(5)根据待测原油的极坐标投影得分向量，按下述方法进行拟合处理，
a)按式③对待测原油的拟合向量进行拟合，
式③中，px为待测原油的极坐标投影得分向量，pi为原油拟合数据库第i个原油样品的极坐标投影得分向量，k为拟合数据库库样品的数目，ai为拟合数据库第i个原油样品对应的拟合系数，
拟合系数ai采用经典的非负约束最小二乘法求出，即满足如下目标函数：
b)将上述求得的拟合系数ai中所有的非零拟合系数提取出来，按式④进行归一化处理，得到归一化的拟合系数bi，
式④中，g为非零拟合系数的个数，
c)按式⑤计算待测原油的拟合向量，
(6)按式⑥计算待测原油极坐标投影得分拟合向量的拟合度d，
式⑥中，pxi为待测原油的第i个极坐标投影得分，
为拟合向量的第i个极坐标投影得分，
(7)若d小于设定的阈值，按式⑦预测待测原油的呈线性加合性的性质，
式⑦中，
为待测原油的预测性质数据，bi为参与拟合的库样品光谱的归一化拟合系数，qi为参与拟合的库样品对应的呈线性加合性的性质数据。
本发明方法将中红外光谱的信息引入近红外光谱进行拟合计算，并将特征谱区吸光度的极座标投影得分作为变量，使得原油性质的光谱预测速度加快，准确度提高。
附图说明
图1为原油样品的中红外光谱图。
图2为原油样品的近红外光谱图。
具体实施方式
本发明方法将中红外光谱与近红外光谱融合，取中红外光谱1650～1750cm-1、近红外光谱4000～4500cm-1、4500～5000cm-1、5000～5500cm-1和5500～6000cm-1的谱区为特征谱区，分别计算这五个特征谱区的吸光度的极坐标投影得分，建立已知原油样品在五个特征谱区吸光度的极坐标投影得分数据库，作为原油光谱拟合数据库，再以待测原油样品在五个特征谱区吸光度的极坐标投影得分为特征变量，通过非负约束的最小二乘拟合法，由数据库样品的极坐标投影得分向量对待测原油样品进行拟合，得到拟合向量，通过拟合度和阈值的比较，由参与拟合的原油样品预测原油性质。本发明方法由于在近红外信息中融合了中红外光谱中的羰基信息，并将特征吸光度信息转换为极座标得分，使得预测原油样品性质的计算过程更为简便和快速，预测准确性提高。
本发明方法(1)步为收集各种类型原油样品，并用标准方法测定原油的性质数据，收集的原油样品数量优选200～1000个，测定的原油样品的性质优选包括密度，残炭，酸值，50℃粘度，硫、氮、蜡、胶质、沥青质含量，凝点和实沸点蒸馏数据(TBP)中的任意一种或多种。
本发明方法(2)步为测定收集的原油样品的中红外光谱和近红外光谱，进行二阶微分处理后，选取五个特征谱区的吸光度建立原油光谱数据库。
本发明方法(3)步为计算原油光谱数据库中每个样品的特征谱区吸光度在X、Y轴的极座标投影得分，共计10个极座标投影得分，组成得分向量，由各原油样品的得分向量组成原油光谱拟合数据库。
本发明方法按式①、②计算原油样品特征谱区的吸光度在X轴、Y轴的极坐标投影得分，
式①、②中，PCxWp表示原油样品特征光谱区Wp的吸光度在X轴的极坐标投影得分，PCyWp表示原油样品特征光谱区Wp的吸光度在Y轴的极坐标投影得分，n为原油样品在特征光谱区Wp采集吸光度的波长点数，Ii+1为原油样品在特征光谱区Wp第i+1个波长点处的吸光度，i＝0,1,2,…,n-1，p为五个特征谱区的序号，p为1～5。
对于每个原油样品，分别按式①、②逐一计算五个特征谱区吸光度在X、Y轴的极坐标投影得分，计算时p取1～5，分别代表W1～W5特征谱区，当p＝1时，即计算1650～1800cm-1吸光度在X、Y轴的极坐标投影得分。每个原油样品共有10个极坐标投影得分，按一定顺序排列后，组成原油样品的得分向量，将每个原油样品的得分向量组成矩阵PCk×10，为原油光谱拟合数据库，其维数为k×10，k为原油光谱拟合数据库中原油样品的个数。所述极坐标投影得分排列顺序为任意的，可先取X轴的极坐标投影得分，再排Y轴的极坐标投影得分，也可相反，或按特征谱区波段顺序排列X、Y轴的极坐标投影得分。如按
的顺序排列。
(4)步为测定待测原油样品的中红外光谱和近红外光谱，进行二阶微分处理后，由特征谱区吸光度获得极坐标投影得分向量，测定待测原油样品的方法与(2)步方法保持一致，构成极坐标投影得分向量的极坐标投影得分排列顺序与(3)步建立的原油光谱拟合数据库样品的极坐标投影得分排列顺序相同。
本发明方法计算原油样品吸光度的极坐标投影得分所述的波长点数(n)为在该特征谱区按波长点采集吸光度的数目。在1650～1800cm-1特征谱区，n优选80～90；在4000～4500cm-1、4500～5000cm-1、5000～5500cm-1和5500～6000cm-1光谱区间，n优选200～300。
本发明方法(5)步是对(4)步中待测原油样品的极坐标投影得分向量由原油光谱拟合数据库中的样品的极坐标投影得分向量进行拟合，采用经典的非负约束最小二乘法求出非零的拟合系数。非负约束最小二乘法的具体算法参见文献：C.L.Lawson andR.J.Hanson,Solving Least Squares Problems,Prentice-Hall,Englewood Cliffs,NJ(1974)；160～165。然后将非零拟合系数进行归一化处理，再通过式⑤计算拟合向量。
(6)步为计算待测原油极坐标投影得分拟合向量的拟合度(d)。拟合度越小说明拟合度越高，由此计算预测得到的原油性质越准确。若拟合度大于或等于设定的阈值，说明拟合不完全，待测原油不能完全由原油光谱拟合数据库中的向量拟合，因此，无法对其性质进行准确预测。
本发明(7)步所述的阈值dv的确定方法为：取一个原油样品，重复测定三次中红外光谱和近红外光谱，对每次测定的光谱均进行二阶微分处理，计算其在W1＝1650～1800cm-1，W2＝4000～4500cm-1，W3＝4500～5000cm-1，W4＝5000～5500cm-1，W5＝5500～6000cm-1五个特征谱区的吸光度在X轴和Y轴的极坐标投影得分，将10个极坐标投影得分构成得分向量pv，按式⑧计算任意两次测定光谱所得的得分向量之间的伪拟合度(sr)值，取最大的sr值，乘以系数0.75即为阈值。
式⑧中，pvj和pv′j分别为两次重复测定的红外光谱所得的拟合向量的第j个极坐标投影得分。
若拟合度(d)小于阈值，则可由拟合向量所用的原油样品的性质数据按式⑦预测呈线性加合性的性质，如密度，残炭，酸值，硫、氮、蜡、胶质、沥青质含量，凝点和实沸点蒸馏数据(TBP)等数据。对实沸点蒸馏数据需测定原油样品每个蒸馏温度下的收率，用以建立原油光谱数据库。
本发明方法预测待测原油的呈非线性加合性的性质的方法为：将参与待测原油性质拟合的库光谱对应的呈非线性加合性的性质通过数学方法转变为线性加合性的数据，再通过式⑦得到预测数据，再将其按转换为线性加合性的逆运算得到呈非线性加合性的性质预测值。如原油的50℃粘度即呈非线性加合性，不能用式⑦直接得到，需将粘度v用式⑨转变成有线性加合性的粘度系数C，
C＝1000lglg(ν+0.8) ⑨
再按式⑦由参与拟合的原油样品的粘度系数C计算得到待测原油的粘度系数
再将其代入式⑨得到待测原油的粘度。
本发明方法适用于由已知原油样品的性质，由红外光谱快速预测待测原油的性质，尤其是原油、馏分油和二次加工油的性质。
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，原油的近红外光谱采用ThermoAntarisII傅立叶变换近红外光谱仪测定，光谱范围3800～10000cm-1，分辨率8cm-1，累积扫描次数64次，透射方式测量。
中红外光谱采用测定，光谱范围400～4000cm-1，分辨率4cm-1，累积扫描次数64次，ATR(衰减全反射)方式测量。
测定原油样品性质的标准方法如下：
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，
残炭GB/T 17144石油产品残炭测定法(微量法)，
50℃粘度GB/T11137深色石油产品运动粘度测定法(逆流法)和动力粘度计算法
酸值GB/T 7304石油产品酸值的测定电位滴定法，
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、胶质和沥青含量SY/T 0537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)建立原油样品的光谱数据库
收集有代表性的原油样品773种，原油品种基本覆盖了世界主要原油产区，用标准方法测定原油样品的密度，残炭，50℃粘度，凝点，酸值，硫、蜡、胶质、沥青质含量，另外，测定原油实沸点蒸馏(TBP)的如下23个温度的累积质量收率：65℃、80℃、100℃、120℃、140℃、165℃、180℃、200℃、220℃、240℃、260℃、280℃、300℃、320℃、350℃、380℃、400℃、425℃、450℃、470℃、500℃、520℃、540℃。
测定原油样品的中红外光谱和近红外光谱，分别对其进行二阶微分，取中红外光谱1650～1800cm-1，近红外光谱4000～4500cm-1、4500～5000cm-1、5000～5500cm-1、5500～6000cm-1谱区的吸光度与各原油样品对应的性质数据组成原油光谱数据阵(Y33×773)，为原油光谱数据库。
(2)建立原油光谱拟合数据库
按式①、②计算原油光谱数据库中每个原油样品在1650～1800cm-1，4000～4500cm-1、4500～5000cm-1、5000～5500cm-1、5500～6000cm-1谱区吸光度的极坐标投影得分，计算1650～1800cm-1谱区吸光度的极座标投影得分时，n＝85，计算4000～4500cm-1、4500～5000cm-1、5000～5500cm-1、5500～6000cm-1谱区谱区吸光度的极座标投影得分时，n＝250。将各原油样品的10个极坐标投影得分按
的顺序组成每个样品的向量。将每个原油样品的向量构成原油光谱拟合矩阵P10×773，原油光谱拟合数据库，773为原油近红外光谱库中原油的个数。
(3)建立待测原油的极坐标投影得分向量
按与建立原油光谱数据库相同的条件测定待测原油样品X的中红外光谱和近红外光谱，分别对其进行二阶微分，选取中红外光谱1650～1800cm-1谱区、近红外光谱4000～4500cm-1、4500～5000cm-1、5000～5500cm-1、5500～6000cm-1谱区的吸光度，按式①、②计算待识别原油样品的极坐标投影得分，计算1650～1800cm-1谱区吸光度的极座标投影得分时，n＝85，计算4000～4500cm-1、4500～5000cm-1、5000～5500cm-1、5500～6000cm-1谱区谱区吸光度的极座标投影得分时，n＝250。将10个极坐标投影得分按
的顺序构成待测原油的极坐标投影得分向量px。
(4)对待测原油的极坐标投影得分向量用库样品进行拟合
由原油光谱拟合矩阵P10×773，按(5)步a)～c)的方法对待测原油X的极坐标投影得分向量px进行拟合。按a)计算的7个不为零的拟合系数及对应的原油光谱数据库中的样品编号见表1，将这7个不为零的拟合系数代入式④、⑤得到待测原油的拟合向量，再按式⑥方法计算得到拟合度d，d＝0.022。
(5)计算阈值dv
选取一个原油样品，分别重复测定三次中红外光谱和近红外光谱，对每次测定的光谱均进行二阶微分处理，取1650～1800cm-1，4000～4500cm-1、4500～5000cm-1、5000～5500cm-1、5500～6000cm-1谱区的吸光度，按式①、②计算出三次重复测定光谱的10个极坐标投影得分，按建立原油光谱拟合数据库的顺序将这10个极坐标投影得分构成得分向量pv，按式⑧计算任意两次测定光谱所得的得分向量之间的伪拟合度(sr)值，最大的sr为0.052，乘以系数0.75即为阈值dv，dv＝0.039。
表1
(6)预测待测原油的性质
由(4)步得到的拟合度d小于设定的阈值0.039，说明待测原油的极坐标投影得分向量得到了较好拟合，可以用7个不为零的拟合系数及对应的光谱数据库样品的性质预测待测原油的性质。
按式⑦由上述参与拟合的原油样品的性质数据计算待测原油样品的性质，预测的性质有密度，残炭，凝点，酸值，硫、蜡、胶质、沥青质含量，实沸点蒸馏收率，结果见表2。
对于50℃粘度，其调合效应是非线性的，需用式⑨将参与拟合的原油样品的50℃粘度ν转换成50℃粘度系数C，然后，由公式
计算待测原油样品的50℃粘度系数
最后再由公式
得到待测原油样品的50℃粘度，结果见表2。
对比例
按CN102374975A实例1的方法预测待测原油的性质，预测结果见表3。
由表2和表3数据可知，本方法较CN102374975A方法，预测原油性质的准确性更高。
表2
表3
Claims (7)
1.一种由红外光谱预测原油性质的方法，包括如下步骤：
(1)收集一组原油样品，样品数量至少为200，用标准方法测定原油样品的性质数据，
(2)测定原油样品的近红外光谱和中红外光谱，将光谱进行二阶微分后，取特征谱区的吸光度，与原油样品对应的性质数据组成原油光谱数据库，所述的特征谱区为：W1＝1650～1800cm-1，W2＝4000～4500cm-1，W3＝4500～5000cm-1，W4＝5000～5500cm-1，W5＝5500～6000cm-1，
(3)计算原油光谱数据库中每个原油样品在上述五个特征谱区的吸光度在X轴和Y轴的极坐标投影得分，得到其得分向量，并由各原油样品的得分向量建立原油光谱拟合数据库，
(4)测定待测原油的中红外光谱和近红外光谱，进行二阶微分处理，取其在上述特征谱区的吸光度，计算吸光度在X、Y轴的极坐标投影得分，构成待测原油的极坐标投影得分向量，
(5)根据待测原油的极坐标投影得分向量，按下述方法进行拟合处理，
a)按式③对待测原油的拟合向量进行拟合，
式③中，px为待测原油的极坐标投影得分向量，pi为原油拟合数据库第i个原油样品的极坐标投影得分向量，k为拟合数据库样品的数目，ai为拟合数据库第i个原油样品对应的拟合系数，
拟合系数ai采用经典的非负约束最小二乘法求出，即满足如下目标函数：
b)将上述求得的拟合系数ai中所有的非零拟合系数提取出来，按式④进行归一化处理，得到归一化的拟合系数bi，
式④中，g为非零拟合系数的个数，
c)按式⑤计算待测原油的拟合向量，
(6)按式⑥计算待测原油极坐标投影得分拟合向量的拟合度d，
式⑥中，pxi为待测原油的第i个极坐标投影得分，
为拟合向量的第i个极坐标投影得分，
(7)若d小于设定的阈值，按式⑦预测待测原油的呈线性加合性的性质，
式⑦中，
为待测原油的预测性质数据，bi为参与拟合的库样品光谱的归一化拟合系数，qi为参与拟合的库样品对应的呈线性加合性的性质数据，
所述的阈值dv的确定方法为：取一个原油样品，重复测定三次中红外光谱和近红外光谱，对每次测定的光谱均进行二阶微分处理，计算其在W1＝1650～1800cm-1，W2＝4000～4500cm-1，W3＝4500～5000cm-1，W4＝5000～5500cm-1，W5＝5500～6000cm-1五个特征谱区的吸光度在X轴和Y轴的极坐标投影得分，将10个极坐标投影得分构成得分向量pv，按式⑧计算任意两次测定光谱所得的得分向量之间的伪拟合度(sr)值，取最大的sr值，乘以系数0.75即为阈值，
式⑧中，pvj和pvj'分别为两次重复测定的红外光谱所得的得分向量的第j个极坐标投影得分。
2.按照权利要求1所述的方法，其特征在于分别按式①、②计算原油样品特征谱区的吸光度在X轴、Y轴的极坐标投影得分，
式①、②中，PCxWp表示原油样品特征光谱区Wp的吸光度在X轴的极坐标投影得分，PCyWp表示原油样品特征光谱区Wp的吸光度在Y轴的极坐标投影得分，n为原油样品在特征光谱区Wp采集吸光度的波长点数，Ii+1为原油样品在特征光谱区Wp第i+1个波长点处的吸光度，i＝0,1,2,…,n-1，p为五个特征谱区的序号，p为1～5。
3.按照权利要求2所述的方法，其特征在于(4)步测定待测原油样品的中红外光谱和近红外光谱的条件方法与(2)步方法保持一致，构成待测原油的极坐标投影得分向量的极坐标投影得分排列顺序与(3)步建立的原油光谱拟合数据库样品的极坐标投影得分向量的排列顺序相同。
4.按照权利要求2所述的方法，其特征在于在1650～1800cm-1光谱区间，n为80～90。
5.按照权利要求2所述的方法，其特征在于在4000～4500cm-1、4500～5000cm-1、5000～5500cm-1和5500～6000cm-1光谱区间，n为200～300。
6.按照权利要求1所述的方法，其特征在于预测待测原油的呈非线性加合性的性质的方法为：将参与待测原油拟合的库光谱对应的呈非线性加合性的性质通过数学方法转变为呈线性加合性的数据，再通过式⑦得到预测数据，再将其按转换为线性加合性的逆运算得到呈非线性加合性的性质预测值。
7.按照权利要求1所述的方法，其特征在于(1)步测定的原油样品的性质包括密度，残炭，酸值，50℃粘度，硫、氮、蜡、胶质、沥青质含量，凝点和实沸点蒸馏数据(TBP)中的任意一种或多种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610920238.5A CN107976416B (zh) | 2016-10-21 | 2016-10-21 | 一种由红外光谱预测原油性质的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610920238.5A CN107976416B (zh) | 2016-10-21 | 2016-10-21 | 一种由红外光谱预测原油性质的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107976416A CN107976416A (zh) | 2018-05-01 |
| CN107976416B true CN107976416B (zh) | 2020-07-28 |
Family
ID=62003890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610920238.5A Active CN107976416B (zh) | 2016-10-21 | 2016-10-21 | 一种由红外光谱预测原油性质的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107976416B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110763651B (zh) * | 2018-07-26 | 2022-02-08 | 中国石油化工股份有限公司 | 一种适合生产润滑油基础油的原油调配方法 |
| CN110763649B (zh) * | 2018-07-26 | 2022-01-04 | 中国石油化工股份有限公司 | 一种由近红外光谱及性质选择目标原油调合配方的方法 |
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102374975A (zh) * | 2010-08-19 | 2012-03-14 | 中国石油化工股份有限公司 | 一种利用近红外光谱预测油品物性数据的方法 |
| CN103364364A (zh) * | 2013-07-01 | 2013-10-23 | 南京富岛信息工程有限公司 | 一种基于复合预测技术的原油性质快速检测方法 |
| CN105338123A (zh) * | 2014-05-28 | 2016-02-17 | 国际商业机器公司 | 用于在网络中解析域名的方法、装置和系统 |
| 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 |
| CN105987886A (zh) * | 2015-02-03 | 2016-10-05 | 中国石油化工股份有限公司 | 近红外光谱测定加氢裂化尾油性质的方法 |
-
2016
- 2016-10-21 CN CN201610920238.5A patent/CN107976416B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102374975A (zh) * | 2010-08-19 | 2012-03-14 | 中国石油化工股份有限公司 | 一种利用近红外光谱预测油品物性数据的方法 |
| CN103364364A (zh) * | 2013-07-01 | 2013-10-23 | 南京富岛信息工程有限公司 | 一种基于复合预测技术的原油性质快速检测方法 |
| CN105338123A (zh) * | 2014-05-28 | 2016-02-17 | 国际商业机器公司 | 用于在网络中解析域名的方法、装置和系统 |
| 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 |
| CN105987886A (zh) * | 2015-02-03 | 2016-10-05 | 中国石油化工股份有限公司 | 近红外光谱测定加氢裂化尾油性质的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于SPA-PLS 的秦皮提取液中秦皮甲素的快速测定;杨铭等;《中成药》;20110531;第33卷(第5期);847-852 * |
| 基于近红外的Fisher判别法鉴别废塑料;张毅民等;《工程塑料应用》;20140531;第42卷(第5期);75-79 * |
| 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);72-77 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107976416A (zh) | 2018-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107976419B (zh) | 一种由油品近红外光谱预测其性质的方法 | |
| CN102374975B (zh) | 一种利用近红外光谱预测油品物性数据的方法 | |
| CN105388123B (zh) | 一种由近红外光谱预测原油性质的方法 | |
| De Lira et al. | Prediction of properties of diesel/biodiesel blends by infrared spectroscopy and multivariate calibration | |
| Baptista et al. | Multivariate near infrared spectroscopy models for predicting the methyl esters content in biodiesel | |
| Cunha et al. | Predicting the properties of biodiesel and its blends using mid-FT-IR spectroscopy and first-order multivariate calibration | |
| CN107976416B (zh) | 一种由红外光谱预测原油性质的方法 | |
| Mannina et al. | NMR and chemometrics in tracing European olive oils: The case study of Ligurian samples | |
| Baptista et al. | Multivariate near infrared spectroscopy models for predicting the iodine value, CFPP, kinematic viscosity at 40 C and density at 15 C of biodiesel | |
| CN105466884B (zh) | 一种通过近红外光谱识别原油种类及其性质的方法 | |
| Wu et al. | Weighted multiscale support vector regression for fast quantification of vegetable oils in edible blend oil by ultraviolet-visible spectroscopy | |
| CN105424641B (zh) | 一种原油种类的近红外光谱识别方法 | |
| WO2017007845A1 (en) | Method for correlating physical and chemical measurement data sets to predict physical and chemical properties | |
| CN107817223A (zh) | 快速无损实时预测原油性质模型的构建方法及其应用 | |
| CN105092519B (zh) | 基于增量偏最小二乘法的样品成份测定方法 | |
| CN107976417B (zh) | 一种基于红外光谱的原油种类识别方法 | |
| Dantas et al. | MCR-ALS with correlation constraint and Raman spectroscopy for identification and quantification of biofuels and adulterants in petroleum diesel | |
| Pinto et al. | Use of 1H NMR and chemometrics to detect additives present in the Brazilian commercial gasoline | |
| Yu et al. | A novel integrated approach to characterization of petroleum naphtha properties from near-infrared spectroscopy | |
| CN107966499B (zh) | 一种由近红外光谱预测原油碳数分布的方法 | |
| CN107966420B (zh) | 一种由近红外光谱预测原油性质的方法 | |
| Monteiro et al. | 1H NMR and multivariate calibration for the prediction of biodiesel concentration in diesel blends | |
| CN113504198A (zh) | 一种苋菜红色素浓度检测方法、装置及存储介质 | |
| US11415568B2 (en) | Systems and methods for implicit chemical resolution of vacuum gas oils and fit quality determination | |
| CN109724938B (zh) | 由近红外光谱预测润滑油基础油性质的方法 |
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 |