CN110799631A - 优质润滑油基础油的基于13c-nmr的组成和能够设计和生产它们的方法以及它们在成品润滑剂中的性能 - Google Patents

优质润滑油基础油的基于13c-nmr的组成和能够设计和生产它们的方法以及它们在成品润滑剂中的性能 Download PDF

Info

Publication number
CN110799631A
CN110799631A CN201880042921.0A CN201880042921A CN110799631A CN 110799631 A CN110799631 A CN 110799631A CN 201880042921 A CN201880042921 A CN 201880042921A CN 110799631 A CN110799631 A CN 110799631A
Authority
CN
China
Prior art keywords
base oil
lubricant base
nmr
low temperature
carbon
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.)
Pending
Application number
CN201880042921.0A
Other languages
English (en)
Inventor
C·L·小贝克尔
L·龚
E·桑切斯
A·R·霍顿
D·A·西斯恩
R·C·多尔蒂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ExxonMobil Technology and Engineering Co
Original Assignee
ExxonMobil Research and Engineering Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ExxonMobil Research and Engineering Co filed Critical ExxonMobil Research and Engineering Co
Publication of CN110799631A publication Critical patent/CN110799631A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10M—LUBRICATING COMPOSITIONS; USE OF CHEMICAL SUBSTANCES EITHER ALONE OR AS LUBRICATING INGREDIENTS IN A LUBRICATING COMPOSITION
    • C10M105/00—Lubricating compositions characterised by the base-material being a non-macromolecular organic compound
    • C10M105/02—Well-defined hydrocarbons
    • C10M105/04—Well-defined hydrocarbons aliphatic
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10M—LUBRICATING COMPOSITIONS; USE OF CHEMICAL SUBSTANCES EITHER ALONE OR AS LUBRICATING INGREDIENTS IN A LUBRICATING COMPOSITION
    • C10M101/00—Lubricating compositions characterised by the base-material being a mineral or fatty oil
    • C10M101/02—Petroleum fractions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
    • 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
    • G01N24/085—Analysis of materials for the purpose of controlling industrial production systems
    • 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
    • G01N33/30—Oils, i.e. hydrocarbon liquids for lubricating properties
    • 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
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10M—LUBRICATING COMPOSITIONS; USE OF CHEMICAL SUBSTANCES EITHER ALONE OR AS LUBRICATING INGREDIENTS IN A LUBRICATING COMPOSITION
    • C10M2203/00—Organic non-macromolecular hydrocarbon compounds and hydrocarbon fractions as ingredients in lubricant compositions
    • C10M2203/02—Well-defined aliphatic compounds
    • C10M2203/024—Well-defined aliphatic compounds unsaturated
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10M—LUBRICATING COMPOSITIONS; USE OF CHEMICAL SUBSTANCES EITHER ALONE OR AS LUBRICATING INGREDIENTS IN A LUBRICATING COMPOSITION
    • C10M2203/00—Organic non-macromolecular hydrocarbon compounds and hydrocarbon fractions as ingredients in lubricant compositions
    • C10M2203/10—Petroleum or coal fractions, e.g. tars, solvents, bitumen
    • C10M2203/1006—Petroleum or coal fractions, e.g. tars, solvents, bitumen used as base material
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10N—INDEXING SCHEME ASSOCIATED WITH SUBCLASS C10M RELATING TO LUBRICATING COMPOSITIONS
    • C10N2020/00—Specified physical or chemical properties or characteristics, i.e. function, of component of lubricating compositions
    • C10N2020/01—Physico-chemical properties
    • C10N2020/071—Branched chain compounds
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10N—INDEXING SCHEME ASSOCIATED WITH SUBCLASS C10M RELATING TO LUBRICATING COMPOSITIONS
    • C10N2030/00—Specified physical or chemical properties which is improved by the additive characterising the lubricating composition, e.g. multifunctional additives
    • C10N2030/02—Pour-point; Viscosity index
    • 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
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Organic Chemistry (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Computing Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Lubricants (AREA)

Abstract

提供一种润滑剂基础油。所述润滑剂基础油具有使用碳‑13核磁共振(NMR)谱峰值的逐步回归确定的低温性质。还提供一种选择具有可接受的低温性能的候选润滑剂基础油或其混合物的方法。还提供一种掺合润滑剂基础油的在线方法和一种成品润滑剂。

Description

优质润滑油基础油的基于13C-NMR的组成和能够设计和生产 它们的方法以及它们在成品润滑剂中的性能
领域
本公开大体上涉及润滑基础油、选择润滑基础油的方法和润滑油组合物。
背景
在润滑油领域中，传统上将添加剂如倾点下降剂添加到润滑基础油，包括高度精制的矿物油中，以改进润滑油的性质，如低温粘度特性。生产高粘度指数基础油的已知方法包括通过加氢裂化或加氢异构化对含天然或合成正链烷烃的原料油施以润滑基础油精制的方法。
为润滑基础油和润滑油的低温粘度特性评估的性质通常是倾点、浊点和凝固点。根据它们的正链烷烃或异链烷烃含量评估润滑基础油的低温粘度特性的方法也是已知的。
在内燃机、齿轮箱和其它机械装置中使用润滑油的目的是使这些装置中的运行更顺畅。内燃机润滑油(发动机油)特别必须在内燃机的高性能、高输出和苛刻运行条件下表现出高性能。因此将各种添加剂，如抗磨剂、金属基清净剂、无灰分散剂和抗氧化剂添加到常规发动机油中以满足这些性能要求。
成品润滑剂性能明显受基础油参数和组成影响。如所示，成品润滑剂的关键性能参数之一是低温性质，即在不同产品用途的各种剪切环境中呈现的粘度。这些粘度通常受试验的性质和制剂中的相对较低浓度的蜡质组分影响。此外，许多润滑剂用截然不同类型的基础油料如第II类和第III类和PAO(其中残余蜡的量和性质可相差很大)配制。
粘度指数(VI)和倾点是重要的润滑剂和工业油品质，它们通常用作基础油的制造规范和/或产品规范。存在这样的需要，即使用少量(<1ml)基础油样品快速(在数小时内)评估VI和倾点，并针对最佳VI和倾点为工艺(包括润滑剂生产工艺)和催化剂的设计、选择和优化提供指导以生产具有所需异构物结构(isomeric structure)的第I、II和II+、III、III+、IV类和其它相关异链烷烃基础油料。
因此，需要界定满足一定范围的低温性质的基础油料的可接受组成的方法，该基础油料使用混合基础油料体系和独立基础油料。该方法可界定满足产品范围的可接受组成，以提供可快速和容易地验证的产品范围。
概述
在一个方面中，提供一种成品润滑剂。该成品润滑剂包含具有使用关于碳-13核磁共振(NMR)谱峰值的数据分析/机器学习技术确定的低温性质(LTP)的润滑剂基础油。
在一些实施方案中，数据分析/机器学习技术包含逐步回归、贝叶斯回归、LASSO/Ridge回归、随机森林(random forest)、支持向量机(support vector machine)、深度学习技术等。
在一些实施方案中，数据分析/机器学习技术包含逐步回归，且逐步回归中使用的谱峰值在90％置信度下具有显著性。在一些实施方案中，逐步回归中使用的谱峰值在95％置信度下具有显著性。
在一些实施方案中，该成品润滑剂是工业油。
在一些实施方案中，该逐步回归使用至少三个谱峰值。
在一些实施方案中，逐步回归方程是a-b＊P15+c＊P17-d＊P18+e＊(P2+P4+P10)<LN(扫描Brookfield粘度@-30℃＝30,000)。在一些实施方案中，a＝11.06；b＝2.857；c＝0.811；d＝3.328和e＝2.966。
在一些实施方案中，该成品润滑剂是适合在高剪切下运行的发动机油。
在一些实施方案中，该逐步回归使用至少三个谱峰值。
在一些实施方案中，逐步回归方程是a+b＊P17+c＊P118-d＊P15+e＊(P2+P4+P10)-f＊(P1+P5)<LN(冷启动模拟器粘度@-25℃＝7,000)。在一些实施方案中，a＝9.093；b＝0.4957；c＝2.842；d＝1.850、e＝2.094和f＝1.964。
在一些实施方案中，低温性质是小型旋转粘度计粘度(Mini Rotary Viscometerviscosity)，ASTM D4684。
在一些实施方案中，逐步回归方程是a-b＊P18+c＊(P2+P4)<LN(小型旋转粘度@-30℃＝40,000)。在一些实施方案中，a＝12.18；b＝4.16；和c＝3.24。
在另一方面中，提供一种选择具有可接受的低温性能的候选润滑剂基础油或其混合物的方法。该方法包含使用碳-13核磁共振(NMR)谱法评估一组样品，各样品具有低温性质；执行关于对这组样品获得的碳-13 NMR谱峰值和它们的低温性质的数据分析/机器学习技术；为所选低温性质选择被发现在至少90％置信度下具有显著性的碳-13 NMR谱峰值；基于所述数据分析/机器学习技术选择候选润滑剂基础油。
在一些实施方案中，该润滑剂基础油用于配制高剪切发动机油。
在一些实施方案中，这组样品跨越含异链烷烃的基础油，如第II、III和IV类基础油。
在再一方面中，提供一种润滑剂基础油，所述润滑剂基础油具有使用碳-13核磁共振(NMR)谱峰值的逐步回归确定的低温性质。
在一些实施方案中，逐步回归中使用的谱峰值在90％置信度下具有显著性。
在一些实施方案中，逐步回归中使用的谱峰值在95％置信度下具有显著性。
在再一方面中，提供一种掺合润滑剂基础油的在线方法，所述方法包含使用碳-13核磁共振(NMR)谱法评估一组样品，各样品具有低温性质；执行关于对这组样品获得的碳-13 NMR谱峰值和它们的低温性质的数据分析/机器学习技术；为所选低温性质选择被发现在至少90％置信度下具有显著性的碳-13 NMR谱峰值；在线监测第一润滑剂基础油掺合组分的碳-13 NMR谱峰值；在线监测至少第二润滑剂基础油掺合组分的碳-13 NMR谱峰值；数学确定第一润滑剂基础油掺合组分和至少第二润滑剂基础油掺合组分的最佳掺合比；和根据所述最佳掺合比掺合第一润滑剂基础油掺合组分和至少第二润滑剂基础油掺合组分以形成润滑剂基础油。
在一些实施方案中，可能希望使用不同粘度基础油。在这样的实施方案中，可相对于公知的标准，如API第IV类基础油料，尤其是4、6和8cSt PAO作出函数方程。
在一些实施方案中，可以使用其它合适技术相对于该不同粘度的比率。例如，对于任何低温性质预测，可以使用下列形式的方程：预测LTP粘度(基础油)<1.2＊预测LTP粘度(PAO)，其中PAO的粘度是适当的参考粘度。
在一些实施方案中，PAO的参考粘度范围可从2延伸到150 cSt@100℃。
在一些实施方案中，方程的形式可以更复杂以包含预期的非线性。一个实例可以是：预测LTP粘度(基础油)<1.2＊F(29 cSt/kV40)＊预测LTP粘度(PAO)，其中F(自变量)是可为线性形式或可为指数定律、对数定律或幂定律的函数。
附图简述
本公开能有各种修改和替代形式，其具体示例性实施方案显示在附图中并在本文中详细描述。但是，应该理解的是，本文中对具体示例性实施方案的描述无意将本公开限于本文中公开的特定形式。本公开应该涵盖如所附权利要求书界定的所有修改和等同方案。还应该理解的是，附图不一定按比例，而是有所强调以清楚图示本发明的示例性实施方案的原理。此外，可能放大某些尺寸以助于视觉传达这些原理。如果认为适当，附图标记可能在附图间重复以指示相应或类似的元件。此外，在附图中分立或分开描绘的两个或更多个模块(blocks)或元件可合并成单个功能模块或元件。类似地，附图中描绘的单个模块或元件可作为多个步骤或通过多个元件协作执行。在附图中作为实例而非作为限制图解本文中公开的形式，并且其中类似附图标记是指类似的元件，并且其中：
图1显示具有与脂族异构物结构对应的化学位移的基础油样品的13C-NMR谱。
图2显示由13C-NMR分析使用方程：VI＝163.21-23.94＊P10+16.167＊P17-36.9＊P18-5.399＊P24-61.46＊LOG(KV100)+63.97＊(P1+P5)-132.3＊(P2+P4)预测的VI parityplot。
图3显示由13C-NMR分析使用方程：倾点(℃)＝-20.26-10.21P15+2.999P17预测的倾点parity plot。
图4显示工业齿轮油(高性能)的扫描Brookfield，其中LN(扫描Brookfield粘度@-30℃)＝11.06-2.857＊P15+0.811＊P17-3.328＊P18+2.966＊(P2+P4+P10)。
图5显示10W-40 PCMO发动机油CCS parity图，其中LN(CCS@-25℃)＝9.093+0.4957＊P17-2.842＊P18-1.850＊P15+2.094＊(P2+P4+P10)-1.964＊(P1+P5)。
图6显示10W-40 PCMO发动机油MRV图@-30℃，其中LN(MRV@-30℃)＝12.18-4.16＊P18+3.24＊(P2+P4)。
图7显示回归图vs独立NMR峰，其显示根据本公开的关系。
详述
术语
本文中使用的词语和短语应该被理解和解释为具有与相关领域技术人员对这些词语和短语的理解相符的含义。本文中的术语或短语的一致用法无意暗含术语或短语的特殊定义，即与本领域技术人员理解的普通和常规含义不同的定义。如果术语或短语意在具有特殊含义，即与技术人员理解的最广泛含义不同的含义，则在说明书中以定义性的方式明确阐述这样的特殊或明晰化的定义，其为该术语或短语提供特殊或明晰化的定义。
例如，下文的论述含有本公开中使用的一些具体术语的定义的非穷举名单(其它术语可能在本文中的其它地方以定义性的方式定义或澄清)。这些定义意在澄清本文中使用的术语的含义。相信这些术语以与其普通含义一致的方式使用，但为清楚起见在此仍规定其定义。
一(A/an)：当用于说明书和权利要求书中描述的本发明的实施方案和实施方式中的任何要素时，本文所用的冠词“一”是指一个或多个。“一”的使用不将含义限于单个要素，除非明确规定这样的限制。术语“一”实体是指一个或多个该实体。因此，术语“一”、“一个或多个”和“至少一个”在本文中可互换使用。
大约：本文所用的“大约”是指基于指定的特定性质的典型实验误差的偏差度。术语“大约”提供的幅度取决于具体语境和特定性质并可由本领域技术人员容易地辨别。术语“大约”无意扩大或限制特定数值原本可提供的等效度(the degree of equivalents)。此外，除非另有说明，术语“大约”应该明确包括“正好”，与下文关于范围和数值数据的论述一致。
上/下(Above/below)：在本发明的代表性实施方案的下列描述中，方向术语，如“上(above)”、“下(below)”、“上部(upper)”、“下部(lower)”等为方便起见参照附图使用。一般而言，“上(above)”、“上部(upper)”、“向上(upward)”和类似术语是指沿井筒朝向地面的方向，“下(below)”、“下部(lower)”、“向下(downward)”和类似术语是指沿井筒远离地面的方向。继续以在井筒中的相对方向为例，“上部(upper)”和“下部(lower)”也是指沿井筒的纵向而非相对于表面的相对位置，如在垂直和水平井的描述中。
和/或：位于第一实体和第二实体之间的术语“和/或”是指(1)第一实体、(2)第二实体和(3)第一实体和第二实体的一种。用“和/或”列举的多个元素应该以相同方式解释，即由此连接的元素的“一个或多个”。可任选存在除通过“和/或”条款具体指明的元素外的其它元素，无论是否与具体指明的那些元素相关。因此，作为一个非限制性实例，当结合开放性词语如“包含”使用时，提到“A和/或B”可以是指，在一个实施方案中，仅A(任选包括非B的元素)；在另一实施方案中，仅B(任选包括非A的元素)；在再一实施方案中，A和B(任选包括其它元素)。如说明书和权利要求书中所用，“或”应该被理解为具有与如上文定义的“和/或”相同的含义。例如，当分隔名单中的项目时，“或”或“和/或”应该被解释为包容性的，即包括许多元素或一系列元素的至少一个，但也包括多于一个，和任选地，附加的未列项目。只有清楚作出相反指示的术语，如“仅一个”或“正好一个”或当用于权利要求时，“由…构成”是指包括许多元素或一系列元素的正好一个元素。一般而言，本文所用的术语“或”只有在前面有排他术语，如“任一”、“之一”、“仅一个”或“正好一个”时才应解释为是指排他性的二选一(即“非此即彼而非两者一起”)。
任何：形容词“任何”是指一个、一些或所有，无论量多少。
至少：如说明书和权利要求书中所用，关于一个或多个元素的名单，短语“至少一个”应被理解为是指选自元素名单中的任何一个或多个元素的至少一个元素，但不一定包括该元素名单内具体列举的每一个元素的至少一个并且不排除该元素名单中的元素的任何组合。这一定义也允许可任选存在除短语“至少一个”所涉的元素名单内具体指明的元素外的元素，无论是否与具体指明的那些元素相关。因此，作为一个非限制性实例，“A和B的至少一个”(或同样地，“A或B的至少一个”，或同样地，“A和/或B的至少一个”)可以是指，在一个实施方案中，至少一个，任选包括多于一个A而不存在B(任选包括非B的元素)；在另一实施方案中，至少一个，任选包括多于一个B而不存在A(任选包括非A的元素)；在再一实施方案中，至少一个，任选包括多于一个A，和至少一个，任选包括多于一个B(任选包括其它元素)。短语“至少一个”、“一个或多个”和“和/或”是在操作中兼具合取性和析取性的开放式短语。例如，短语“A、B和C的至少一个”、“A、B或C的至少一个”、“A、B和C的一个或多个”、“A、B或C的一个或多个”和“A、B和/或C”各自是指仅A、仅B、仅C、A和B一起、A和C一起、B和C一起、或A、B和C一起。
基于：除非明确地另行规定，“基于”不是指“仅基于”。换言之，短语“基于”描述“仅基于”、“至少基于”和“至少部分基于”。
包含：在权利要求书中以及在说明书中，所有连接词如“包含”、“包括”、“带有”、“具有”、“含有”、“涉及”、“拥有”、“由…组成(composed of)”等应被理解为开放式的，即是指包括但不限于。如United States Patent Office Manual of Patent ExaminingProcedures,Section 2111.03中所述，只有连接词“由…构成”和“基本由…构成”分别是封闭或半封闭连接词。
确定(Determining)：“确定”包含多种多样的操作，因此“确定”可包括计算(calculating、computing)、加工、推导、研究、查阅(例如在表、数据库或另一数据结构中查阅)、查明等。“确定”还可包括接收(例如接收信息)、访问(例如访问存储器中的数据)等。“确定”还可包括解析、选取(selecting)、选择(choosing)、建立等。
实施方案：在说明书通篇提到“一个实施方案”、“一实施方案”、“一些实施方案”、“一个方面”、“一方面”、“一些方面”、“一些实施方式”、“一个实施方式”、“一实施方式”或类似construction是指联系该实施方案、方面或实施方式描述的特定组分、要素、结构、方法或特征包括在请求保护的主题的至少一个实施方案和/或实施方式中。因此，短语“在一个实施方案中”或“在一个实施方案中”或“在一些实施方案中”(或“方面”或“实施方式”)在说明书通篇各处的出现不一定都是指同一实施方案和/或实施方式。此外，特定要素、结构、方法或特征可以任何合适的方式组合在一个或多个实施方案或实施方式中。
示例性：“示例性”在本文中仅是指“充当一个实例、例子或示例”。在本文中被描述为“示例性”的任何实施方案不一定被解释为比其它实施方案优选或有利。
可能：要注意，词语“可能”在本申请通篇在宽容性意义上(即有可能，能够)而非强制性意义上(即必须)使用。
可操作地(Operatively)连接和/或耦合：可操作地连接和/或耦合是指直接或间接连接以发送或传送信息、力、能量或事项。
优化：如本文所用，术语“最佳”、“优化(optimizing、optimize”)、“最优性”、“最优化”(以及这些术语的派生词和其它形式和语言上相关的词语和短语)无意在要求本发明找出最佳解决方案或作出最佳决定的意义上是限制性的。尽管数学上的最优解可能实际上达到所有数学上可提供的可能性中最好的，但优化惯例、方法、模型和过程的现实实施方案可能朝这一目标努力而没有实际达到完美。因此，受益于本公开的本领域普通技术人员会认识到，这些术语在本发明的范围内更笼统。这些术语可能描述下列一种或多种：1)朝可能是最佳可得解决方案、优选解决方案或在约束范围内提供特定益处的解决方案的解决方案努力；2)不断改进；3)精修；4)寻求目标的高点或最大值；5)加工以减少罚函数；6)依据在最大化、最小化或以其它方式控制一个或多个其它因数中的竞争和/或协作关系，力图使一个或多个因数最大化，等等。
步骤的顺序：还应该理解的是，除非清楚作出相反的指示，在本文中请求保护的包括多于一个步骤或操作的任何方法中，该方法的步骤或操作的顺序不一定限于列举该方法的步骤或操作的顺序。
范围：浓度、尺寸、量和其它数值数据在本文中可能以范围格式呈现。要理解的是，这样的范围格式仅为方便和简要起见使用，并应灵活解释为不仅包括作为该范围的界限明确列举的数值，还包括该范围内包含的所有独立的数值或子范围，就像明确列举各数值和子范围那样。例如，大约1至大约200的范围应被解释为不仅包括1和大约200的明确列举的界限，还包括独立量，如2、3、4等，和子范围，如10至50、20至100等。类似地，应该理解的是，当提供数值范围时，这样的范围应被解释为在字面上支持仅列举该范围的下限值的权利要求限制以及仅列举该范围的上限值的权利要求限制。例如，10至100的公开数值范围为列举“大于10”(无上限)的权利要求和列举“小于100”(无下限)的权利要求提供字面支持。
描述
现在举例进一步描述具体形式。尽管下列实例示范本文中公开的主题的某些形式，但它们不应被解释为限制其范围，而是有助于完整描述。
在本文中公开了润滑剂基础油和成品润滑剂，该润滑剂基础油和成品润滑剂具有使用关于碳-13核磁共振(NMR)谱峰值的数据分析/机器学习技术确定的低温性质。本公开还提供一种选择具有可接受的低温性能的候选润滑剂基础油或其混合物的方法。该方法包括使用碳-13 NMR谱法评估一组样品，各样品具有低温性质；执行关于对这组样品获得的碳-13 NMR谱峰值和它们的低温性质的数据分析/机器学习技术；为所选低温性质选择被发现在至少90％置信度下具有显著性的碳-13 NMR谱峰值；和基于所述数据分析/机器学习技术选择候选润滑剂基础油。
在一些实施方案中，数据分析/机器学习技术包含逐步回归、贝叶斯回归、LASSO/岭回归、随机森林、支持向量机、深度学习技术等。在一些实施方案中，数据分析/机器学习技术包含逐步回归。
基础油的粘度指数(VI)和倾点通常使用粘度计和倾点试验装置测量。这一设备需要大样品量(～50ml)，并且没有得出结构和VI和倾点之间的良好相关性。
在本文中公开了使用碳-13核磁共振谱法(NMR)选择具有合适低温性质的候选润滑剂基础油和成品润滑剂的方法。通常使用碳-13 NMR研究分子的结构、各种分子的相互作用、分子的运动学或动力学，和生物或合成溶液或复合材料的混合物的组成。分析的分子大小可从小有机分子或代谢物，到中型肽或天然产物，一直到分子量为几十kDa的蛋白质。
碳-13 NMR谱仪由磁体、样品探头、发射器和接收器、和用于仪器控制和显示结果的计算机构成。NMR谱法中所用的磁体主要是超导螺线管系统，其中线圈浸泡在液氦中以使其超导。使电流经过线圈并产生与电流量成比例的静磁场。磁体具有开孔，其具有匀场线圈以补偿磁场和样品探头线圈中的缺陷。将具有氘化溶剂的液体样品置于这一线圈内。
高功率射频(RF)发射通道的阵列也是通过使用强RF脉冲从平衡状态扰动核自旋分布所必需的。发射器包含RF源、用于确定实验过程中的脉冲相位的调相器、振幅控制器和能够实现高达几百瓦特的脉冲的固态放大器。激发脉冲使净核磁化倾斜偏离平行于磁场轴的其平衡取向，尽管继续围绕此轴处理。该进动诱发探头线圈中的电压，将其调谐到观察的核的共振频率。发射器之一是专用于在氘化溶剂中的2H核的检测并用于稳定磁场和允许调节场均匀性的通道(被称为锁定通道)的一部分。对于观察和锁定通道，都使用高保真前置放大器和接收器放大和检测信号，然后将其传送到模拟-数字转换器(ADC)和噪声过滤系统，然后将其转化成作为自由感应衰减(FID)信号存储成计算机中的数据文件。计算机上的软件执行FID信号的傅里叶变换以将时间基数据(time base-data)转换成用于解析的频率谱。可用于本文中公开的方法的实践的合适NMR系统可获自JEOL USA,Inc.,Peabody,MA和其它来源。
在执行碳-13 NMR谱峰值的逐步回归中，可以通过积分量化相关峰，然后归一化为P3峰。这当然不同于跨过NMR谱的谱带(swaths)的总积分。如本领域技术人员理解，使用P3峰仅计算分子末端，对基础油料和成品润滑油研究的分子更复杂，一些以环等终止。当然，更传统的积分方法可能可用于本公开的实践。
如所示，基础油料和成品性能的重要参数包括低温要求以及VI和倾点是重要的品质并且通常用作各类基础油的制造规范和/或产品规范。结构-性质关系的量化知识和VI和倾点的精确预测能够针对最佳VI和倾点适当设计、选择和优化工艺和催化剂以生产具有所需异构物结构的第I、II和II+类基础油。
现在参照图1，具有与脂族异构物结构对应的化学位移的基础油样品的13C-NMR谱。分析超过70个样品。样品集包含脱蜡馏分油和第I、II和II+类基础油。与13C-NMR谱仪系统一起使用的程序是Fuel,88,2199-2206(2009)中描述的程序。由使用Fuel,88,2199-2206(2009)中公开的上述程序获得的13C-NMR谱确定图1和下表1中所示的详细异构物结构。
表1
起始ppm 终止ppm 描述 峰
155.24 111.16 芳香化合物 P24
37.29 37.13 远离甲基支链的α碳中的亚甲基 P23
32.94 32.69 来自α甲基支链的叔碳 P19
32.17 31.88 直链中的亚甲基(γ) P18
30 29.67 直链中的亚甲基(ε碳) P17
27.29 27.09 远离甲基支链的β碳中的亚甲基 P15
22.95 22.75 长链的β碳 P11
22.75 22.46 β碳中的甲基分支(2-me) P10
20.01 19.44 来自末端甲基的多于4个碳的甲基分支 P7
19.45 19.15 在碳3上的甲基分支(3-me) P6
14.66 14.53 侧丙基支链的甲基 P5
14.53 14.37 末端丙基的甲基(4-me) P4
14.32 13.90 1 在烷基链末端的甲基 P3
11.59 11.27 末端乙基的甲基(3-me) P2
11.14 10.69 侧乙基支链的甲基 P1
使用向后逐步回归分析，建立方程以使用13C-NMR分析数据预测成品润滑油性能以及VI和倾点。如图2-6中所示，这些导出的相关性表现出合理的预测精度并提供估计样品的VI和倾点的优异能力。详细检查相关方程得出决定了异构物结构与基础油VI和倾点之间的关系的下列原理：末端分支(P2+P4)降低VI、提高CCS和Brookfield粘度(ASTM D5133，包括整个曲线)；较高芳香化合物(Ar)降低VI；较高粘度(kv100)导致较低VI；不间断CH2链段(峰17，自由碳(free carbon))提高VI，也提高倾点、CCS和Brookfield粘度；具有均匀分布的更多分支(更高的峰15和更低的峰17)降低倾点、CCS和Brookfield粘度。在一些实施方案中，逐步回归中使用的谱峰值在90％置信度下具有显著性。在一些实施方案中，逐步回归中使用的谱峰值在95％置信度下具有显著性。
在一些实施方案中，成品润滑剂是工业油。在一些实施方案中，该逐步回归使用至少三个谱峰值。在一些实施方案中，逐步回归方程是a-b＊P15+c＊P17-d＊P18+e＊(P2+P4+P10)<LN(扫描Brookfield粘度@-30℃＝30,000)。在一些实施方案中，a＝11.06；b＝2.857；c＝0.811；d＝3.328和e＝2.966。
在一些实施方案中，成品润滑剂是高剪切发动机油。在一些实施方案中，该逐步回归使用至少三个谱峰值。在一些实施方案中，逐步回归方程是a+b＊P17+c＊P118-d＊P15+e＊(P2+P4+P10)-f＊(P1+P5)<LN(冷启动模拟器粘度@-25℃＝7,000)。在一些实施方案中，a＝9.093；b＝0.4957；c＝2.842；d＝1.850、e＝2.094和f＝1.964。
在一些实施方案中，低温性质是小型旋转粘度计粘度。在一些实施方案中，该逐步回归使用至少三个谱峰值。在一些实施方案中，逐步回归方程是a-b＊P18+c＊(P2+P4)<LN(小型旋转粘度@-30℃＝40,000)。在一些实施方案中，a＝12.18；b＝4.16；和c＝3.24。
如图7中所示，尽管一些结果可能符合更简单的方程，但已经发现，有效的相关性需要NMR峰和值的完整范围。
基础油料加工
关于基础油料加工，基于本文中推导的原理，具有高VI和低倾点/低扫描Brookfield粘度/低CCS(ASTM D5293)和MRV(ASTM D4684)的理想异构物结构应该具有下列特征：最小化末端分支；适当数量的内部分支；和具有短ε碳。
这种结构-性质关系可用于针对最佳基础油性能设计和/或制造具有特定异构物结构的烃。作为一个实例，ZSM 48倾向于产生无规分布的分支，因此是用于制造基础油料的理想催化剂，而ZSM 22和ZSM 23产生更多末端分支并且是用于制造基础油料的较不理想的催化剂。
基础油料制剂
制造各种成品掺合物，包括发动机油和工业油。
所用基础油料跨越商业Gp II、III和IV基础油并具有(4至11 cSt)的粘度。对于掺合物，将基础油料掺合到极窄范围的粘度，即对于10W-40发动机油5.5 cSt@100℃和对于工业油的一部分大约29 cSt@40C。发动机油和工业油的所有其它组分保持恒定。发动机油在10w-40性能PVL发动机油中使用一系列基础油料。所用基础油料是制剂中的基础油料的大部分。工业油使用具有为极高性能设计的粘度等级的一系列基础油料，其使用仅适量的各种基础油。
基于该组成，制造或界定一系列基础油料以满足苛刻的低温要求。
作为一个实例，分别满足工业油和发动机油中的Group II的VI(80至120)以及扫描Brookfield和MRV要求的NMR谱显示在下表2中。
表2
Figure BDA0002337788350000151
如上所述，在本文中公开了一种选择具有可接受的低温性能的候选润滑剂基础油或其混合物的方法。该方法包括使用碳-13核磁共振(NMR)谱法评估一组样品，各样品具有低温性质；执行对这组样品获得的碳-13 NMR谱峰值和它们的低温性质的逐步回归；为所选低温性质选择被发现在至少90％置信度下具有显著性的碳-13 NMR谱峰值；和基于所述回归方程选择候选润滑剂基础油。在一些实施方案中，逐步回归中使用的谱峰值在95％置信度下具有显著性。
在一些实施方案中，该润滑剂基础油用于配制工业油。在一些实施方案中，该逐步回归使用至少三个谱峰值。在一些实施方案中，逐步回归方程是a-b＊P15+c＊P17-d＊P18+e＊(P2+P4+P10)<LN(扫描Brookfield粘度@-30℃＝30,000)。在一些实施方案中，a＝11.06；b＝2.857；c＝0.811；d＝3.328和e＝2.966。
在一些实施方案中，润滑剂基础油用于配制高剪切发动机油。在一些实施方案中，该逐步回归使用至少三个谱峰值。在一些实施方案中，逐步回归方程是a+b＊P17+c＊P18-d＊P15+e＊(P2+P4+P10)-f＊(P1+P5)<LN(冷启动模拟器粘度@-25℃＝7,000)。在一些实施方案中，a＝9.093；b＝0.4957；c＝2.842；d＝1.850、e＝2.094和f＝1.964。
在一些实施方案中，低温性质是小型旋转粘度计粘度。在一些实施方案中，该逐步回归使用至少三个谱峰值。在一些实施方案中，逐步回归方程是a-b＊P18+c＊(P2+P4)<LN(小型旋转粘度@-30℃＝40,000)。在一些实施方案中，a＝12.18；b＝4.16；和c＝3.24。
在一些实施方案中，这组样品跨越第II、III和IV类基础油。
在一些实施方案中，可能希望使用不同粘度基础油。在这样的实施方案中，可相对于公知的标准，如API第IV类基础油料，尤其是4、6和8cSt PAO作出函数方程。
在一些实施方案中，可以使用其它合适技术相对于该不同粘度的比率。例如，对于任何低温性质预测，可以使用下列形式的方程：预测LTP粘度(基础油)<1.2＊预测LTP粘度(PAO)，其中PAO的粘度是适当的参考粘度。
在一些实施方案中，PAO的参考粘度范围可从2延伸到150cSt@100℃。
在一些实施方案中，方程的形式可以更复杂以包含预期的非线性。一个实例可以是：预测LTP粘度(基础油)<1.2＊F(29 cSt/kV40)＊预测LTP粘度(PAO)，其中F(自变量)是可为线性形式或可为指数定律、对数定律或幂定律的函数。
实施例
在添加7％乙酰丙酮铬(III)作为弛豫剂的CDCl3中以25-30重量％制备样品。根据定量13C NMR在JEOL ECS NMR谱仪上进行13C NMR实验，其质子共振频率为400 MHz。使用反门控去耦实验(inverse gated decoupling experiment)在27℃下进行实验，45°翻转角(flip angle)、脉冲之间6.6秒、64K数据点和2400次扫描。所有谱参考在0ppm下的TMS。谱用0.2-1 Hz的谱线增宽处理并在手动积分前施加基线校正。峰如图1和上表1中所示积分。使用来自Advanced Chemistry Development Inc.(ACD Labs),Toronto,Ontario,Canada的NMR软件使用macro，以确保谱一致地以相同方式积分。
在以下列举段落中给出根据本公开的系统和方法的进一步示例性的非穷举实例。在本公开的范围内的是，在本文中，包括在下列列举段落中叙述的方法的各步骤可附加地或替代性地被称为用于进行所述操作的“步骤”。
PCT/EP条款:
1.一种润滑剂基础油，所述润滑剂基础油具有使用碳-13核磁共振(NMR)谱峰值的逐步回归确定的低温性质。
2.权利要求1的润滑剂基础油，其中逐步回归中使用的谱峰值在90％置信度下具有显著性。
3.权利要求1或2的润滑剂基础油，其中逐步回归中使用的谱峰值在95％置信度下具有显著性。
4.权利要求1-3的润滑剂基础油，其中所述润滑剂基础油是工业油的组分。
5.权利要求4的润滑剂基础油，其中所述逐步回归使用至少三个谱峰值。
6.权利要求5的润滑剂基础油，其中逐步回归方程是a-b＊P15+c＊P17-d＊P18+e＊(P2+P4+P10)<LN(扫描Brookfield粘度@-30℃＝30,000)。
7.权利要求6的润滑剂基础油，其中a＝11.06；b＝2.857；c＝0.811；d＝3.328和e＝2.966。
8.权利要求1-3的润滑剂基础油，其中所述润滑剂基础油是高剪切发动机油的组分。
9.权利要求8的润滑剂基础油，其中所述逐步回归使用至少三个谱峰值。
10.权利要求9的润滑剂基础油，其中逐步回归方程是a+b＊P17+c＊P118-d＊P15+e＊(P2+P4+P10)-f＊(P1+P5)<LN(冷启动模拟器粘度@-25C＝7,000)。
11.权利要求10的润滑剂基础油，其中a＝9.093；b＝0.4957；c＝2.842；d＝1.850、e＝2.094和f＝1.964。
12.权利要求1-3的润滑剂基础油，其中通过小型旋转粘度计粘度(ASTM D4684)确定低温性质。
13.权利要求12的润滑剂基础油，其中所述逐步回归使用至少三个谱峰值。
14.权利要求13的润滑剂基础油，其中逐步回归方程是a-b＊P18+c＊(P2+P4)<LN(小型旋转粘度@-30℃＝40,000)。
15.一种选择具有可接受的低温性能的候选润滑剂基础油或其混合物的方法，所述方法包含：
使用碳-13核磁共振(NMR)谱法评估一组样品，各样品具有低温性质；
执行对这组样品获得的碳-13 NMR谱峰值和它们的低温性质的逐步回归；为所选低温性质选择被发现在至少90％置信度下具有显著性的碳-13NMR谱峰值；和
基于所述回归方程选择候选润滑剂基础油。
一种掺合润滑剂基础油的在线方法，所述方法包含：
使用碳-13核磁共振(NMR)谱法评估一组样品，各样品具有低温性质；
执行对这组样品获得的碳-13 NMR谱峰值和它们的低温性质的逐步回归；
为所选低温性质选择被发现在至少90％置信度下具有显著性的碳-13NMR谱峰值；
在线监测第一润滑剂基础油掺合组分的碳-13 NMR谱峰值；
在线监测至少第二润滑剂基础油掺合组分的碳-13 NMR谱峰值；
数学确定第一润滑剂基础油掺合组分和至少第二润滑剂基础油掺合组分的最佳掺合比；和
根据所述最佳掺合比掺合第一润滑剂基础油掺合组分和至少第二润滑剂基础油掺合组分以形成润滑剂基础油。
工业适用性
本文中公开的组合物和方法适用于油工业。
相信上文阐述的公开包含具有独立实用性的多项独立发明。尽管这些发明已各自以其优选形式公开，但如本文中公开和例示的其具体实施方案不应在限制意义上考虑，因为可能有许多变动。本发明的主题包括本文中公开的各种的各种元素、特征、功能和/或性质的所有新颖和非显而易见的组合和子组合。类似地，当权利要求提到“一”或“第一”元素或其等同物时，这样的权利要求应被理解为包括并入一个或多个这样的元素，既不要求也不排除两个或更多个这样的元素。
相信下列权利要求特别指出涉及所公开的发明之一并且是新颖和非显而易见的某些组合和子组合。具体体现在特征、功能、元素和/或性质的其它组合和子组合中的发明可通过本权利要求书的修正或在本申请或相关申请中提出新的权利要求来请求保护。这些修正的或新的权利要求也被认为包括在本公开的发明的主题内，无论它们涉及不同的发明还是涉及相同的发明，无论与原始权利要求不同、在范围上更宽、更窄还是相等。
尽管已参照特定实施方案描述和例示了本发明，但本领域普通技术人员会认识到，本发明适合有不一定例示在本文中的变化。因此，随后应该仅参考所附权利要求书确定本发明的真实范围。

Claims (16)

1.一种润滑剂基础油，所述润滑剂基础油具有使用碳-13核磁共振(NMR)谱峰值的逐步回归确定的低温性质。
2.权利要求1的润滑剂基础油，其中逐步回归中使用的谱峰值在90％置信度下具有显著性。
3.权利要求1或2的润滑剂基础油，其中逐步回归中使用的谱峰值在95％置信度下具有显著性。
4.权利要求1-3的润滑剂基础油，其中所述润滑剂基础油是工业油的组分。
5.权利要求4的润滑剂基础油，其中所述逐步回归使用至少三个谱峰值。
6.权利要求5的润滑剂基础油，其中逐步回归方程是a-b*P15+c*P17-d*P18+e*(P2+P4+P10)<LN(扫描Brookfield粘度@-30℃＝30,000)。
7.权利要求6的润滑剂基础油，其中a＝11.06；b＝2.857；c＝0.811；d＝3.328和e＝2.966。
8.权利要求1-3的润滑剂基础油，其中所述润滑剂基础油是高剪切发动机油的组分。
9.权利要求8的润滑剂基础油，其中所述逐步回归使用至少三个谱峰值。
10.权利要求9的润滑剂基础油，其中逐步回归方程是a+b*P17+c*P118-d*P15+e*(P2+P4+P10)-f*(P1+P5)<LN(冷启动模拟器粘度@-25C＝7,000)。
11.权利要求10的润滑剂基础油，其中a＝9.093；b＝0.4957；c＝2.842；d＝1.850、e＝2.094和f＝1.964。
12.权利要求1-3的润滑剂基础油，其中通过小型旋转粘度计粘度(ASTM D4684)确定低温性质。
13.权利要求12的润滑剂基础油，其中所述逐步回归使用至少三个谱峰值。
14.权利要求13的润滑剂基础油，其中逐步回归方程是a-b*P18+c*(P2+P4)<LN(小型旋转粘度@-30℃＝40,000)。
15.一种选择具有可接受的低温性能的候选润滑剂基础油或其混合物的方法，所述方法包含：
使用碳-13核磁共振(NMR)谱法评估一组样品，各样品具有低温性质；
执行对这组样品获得的碳-13NMR谱峰值和它们的低温性质的逐步回归；为所选低温性质选择被发现在至少90％置信度下具有显著性的碳-13NMR谱峰值；和
基于所述回归方程选择候选润滑剂基础油。
16.一种掺合润滑剂基础油的在线方法，所述方法包含：
使用碳-13核磁共振(NMR)谱法评估一组样品，各样品具有低温性质；
执行对这组样品获得的碳-13NMR谱峰值和它们的低温性质的逐步回归；为所选低温性质选择被发现在至少90％置信度下具有显著性的碳-13NMR谱峰值；
在线监测第一润滑剂基础油掺合组分的碳-13NMR谱峰值；
在线监测至少第二润滑剂基础油掺合组分的碳-13NMR谱峰值；
数学确定第一润滑剂基础油掺合组分和至少第二润滑剂基础油掺合组分的最佳掺合比；和
根据所述最佳掺合比掺合第一润滑剂基础油掺合组分和至少第二润滑剂基础油掺合组分以形成润滑剂基础油。
CN201880042921.0A 2017-06-30 2018-06-20 优质润滑油基础油的基于13c-nmr的组成和能够设计和生产它们的方法以及它们在成品润滑剂中的性能 Pending CN110799631A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762527418P 2017-06-30 2017-06-30
US62/527,418 2017-06-30
PCT/US2018/038412 WO2019005545A1 (en) 2017-06-30 2018-06-20 13C NMR COMPOSITION OF HIGH QUALITY LUBRICATING BASE OILS AND PROCESS FOR THEIR DESIGN AND PRODUCTION, AND PERFORMANCE IN FINISHED LUBRICANTS

Publications (1)

Publication Number Publication Date
CN110799631A true CN110799631A (zh) 2020-02-14

Family

ID=62875328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880042921.0A Pending CN110799631A (zh) 2017-06-30 2018-06-20 优质润滑油基础油的基于13c-nmr的组成和能够设计和生产它们的方法以及它们在成品润滑剂中的性能

Country Status (6)

Country Link
US (1) US20190002782A1 (zh)
EP (1) EP3646330A1 (zh)
JP (1) JP2020525614A (zh)
CN (1) CN110799631A (zh)
SG (1) SG11201910701UA (zh)
WO (1) WO2019005545A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118546112A (zh) * 2024-07-26 2024-08-27 洛阳太平洋联合石油化工有限公司 一种低粘度润滑油的合成工艺

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1867653A (zh) * 2003-10-14 2006-11-22 切夫里昂美国公司 具有最佳化分支的润滑油基础油
WO2007011462A1 (en) * 2005-07-19 2007-01-25 Exxonmobil Chemical Patents Inc. Lubricants from mixed alpha-olefin feeds
US20070032964A1 (en) * 2005-07-29 2007-02-08 Andrew Kaldor Method to determine predictive tests and device applying same to lubricant formulations
CN101421379A (zh) * 2006-04-07 2009-04-29 雪佛龙美国公司 具有低布鲁克菲尔德比值的齿轮润滑剂
CN101652460A (zh) * 2007-03-30 2010-02-17 新日本石油株式会社 润滑油基油及其制造方法以及润滑油组合物
CN102239241A (zh) * 2008-10-07 2011-11-09 吉坤日矿日石能源株式会社 润滑油基油及其制造方法以及润滑油组合物
CN102459543A (zh) * 2009-06-04 2012-05-16 吉坤日矿日石能源株式会社 润滑油组合物及其制造方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101140192B1 (ko) * 2004-03-23 2012-05-02 제이엑스 닛코닛세키에너지주식회사 윤활유 기유 및 그 제조 방법
CN101796170B (zh) * 2007-08-13 2014-07-02 国际壳牌研究有限公司 润滑基油共混物

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1867653A (zh) * 2003-10-14 2006-11-22 切夫里昂美国公司 具有最佳化分支的润滑油基础油
WO2007011462A1 (en) * 2005-07-19 2007-01-25 Exxonmobil Chemical Patents Inc. Lubricants from mixed alpha-olefin feeds
US20070032964A1 (en) * 2005-07-29 2007-02-08 Andrew Kaldor Method to determine predictive tests and device applying same to lubricant formulations
CN101421379A (zh) * 2006-04-07 2009-04-29 雪佛龙美国公司 具有低布鲁克菲尔德比值的齿轮润滑剂
CN101652460A (zh) * 2007-03-30 2010-02-17 新日本石油株式会社 润滑油基油及其制造方法以及润滑油组合物
CN102239241A (zh) * 2008-10-07 2011-11-09 吉坤日矿日石能源株式会社 润滑油基油及其制造方法以及润滑油组合物
CN102459543A (zh) * 2009-06-04 2012-05-16 吉坤日矿日石能源株式会社 润滑油组合物及其制造方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118546112A (zh) * 2024-07-26 2024-08-27 洛阳太平洋联合石油化工有限公司 一种低粘度润滑油的合成工艺
CN118546112B (zh) * 2024-07-26 2024-10-22 洛阳太平洋联合石油化工有限公司 一种低粘度润滑油的合成工艺

Also Published As

Publication number Publication date
JP2020525614A (ja) 2020-08-27
US20190002782A1 (en) 2019-01-03
EP3646330A1 (en) 2020-05-06
WO2019005545A1 (en) 2019-01-03
SG11201910701UA (en) 2020-01-30

Similar Documents

Publication Publication Date Title
Rakhmatullin et al. Application of high resolution NMR (1H and 13C) and FTIR spectroscopy for characterization of light and heavy crude oils
AU2011201610B2 (en) Process for improving the lubricating properties of base oils using isomerized petroleum product
US20150106027A1 (en) Characterization of crude oil by nmr spectroscopy
US9367796B2 (en) Method for predicting the properties of crude oils by the application of neural networks
KR102200902B1 (ko) 베이스 스톡 및 이를 함유하는 윤활제 조성물
GB2408268A (en) Process for improving the lubricating properties of base oils using Fischer-Tropsch derived bottoms
JP2008520973A (ja) 低温特性に対する基油の分析方法
Cookson et al. Property-composition relationships for diesel and kerosene fuels
US10767125B2 (en) Group III base stocks and lubricant compositions
Al-Dahhan et al. Classification of crude oils and its fractions on the basis of paraffinic, naphthenic and aromatics
US20180011037A1 (en) Characterization of crude oil by nmr spectroscopy
CN110799631A (zh) 优质润滑油基础油的基于13c-nmr的组成和能够设计和生产它们的方法以及它们在成品润滑剂中的性能
CN112577987B (zh) 润滑油基础油的分子结构表征方法及润滑油基础油的优选方法
CA2499405A1 (en) Heavy hydrocarbon composition with utility as a heavy lubricant base stock
Zheng et al. In situ characterization of mixtures of linear and branched hydrocarbons confined within porous media using 2D DQF-COSY NMR spectroscopy
JP7225242B2 (ja) グループｉｉｉベースストック及び潤滑剤組成物
RU2423686C1 (ru) Способ определения молекулярно-массового распределения парафинов в смеси углеводородов с помощью метода ядерного магнитного резонанса
Khasanova et al. Low-field NMR method for analysis of heavy oils without extraction of asphaltenes
US20190194571A1 (en) Lubricant compositions having improved low temperature performance
Papke et al. Applications of 13C NMR to predict low temperature viscosity performance of base oils
Abbasov et al. STUDY OF STRUCTURAL–GROUP COMPOSITION OF SATURATED AND AROMATIC HYDROCARBONS OF SURAKHANI OIL BY A METHOD OF PMR-SPECTROSCOPY
US20190194569A1 (en) Lubricant compositions having improved oxidation performance
Goldstein et al. Carbon centre types as determined by MAS-CP nmr on frozen fossil fuels
WO2016111963A1 (en) Characterization of crude oil by nmr spectroscopy

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200214