CN113866047B - 一种基于机器学习的粘滞系数光学测定装置及方法 - Google Patents
一种基于机器学习的粘滞系数光学测定装置及方法 Download PDFInfo
- Publication number
- CN113866047B CN113866047B CN202111228164.6A CN202111228164A CN113866047B CN 113866047 B CN113866047 B CN 113866047B CN 202111228164 A CN202111228164 A CN 202111228164A CN 113866047 B CN113866047 B CN 113866047B
- Authority
- CN
- China
- Prior art keywords
- machine learning
- viscosity coefficient
- optical measurement
- light source
- spectrum
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 33
- 238000005259 measurement Methods 0.000 title claims abstract description 28
- 230000003287 optical effect Effects 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 33
- 230000003595 spectral effect Effects 0.000 claims abstract description 17
- 238000010521 absorption reaction Methods 0.000 claims abstract description 10
- 238000000691 measurement method Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 33
- 239000007788 liquid Substances 0.000 claims description 16
- 238000004321 preservation Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 239000011521 glass Substances 0.000 claims description 7
- 238000002835 absorbance Methods 0.000 claims description 6
- 239000000835 fiber Substances 0.000 claims description 6
- 238000007789 sealing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 239000004359 castor oil Substances 0.000 abstract description 4
- 235000019438 castor oil Nutrition 0.000 abstract description 4
- ZEMPKEQAKRGZGQ-XOQCFJPHSA-N glycerol triricinoleate Natural products CCCCCC[C@@H](O)CC=CCCCCCCCC(=O)OC[C@@H](COC(=O)CCCCCCCC=CC[C@@H](O)CCCCCC)OC(=O)CCCCCCCC=CC[C@H](O)CCCCCC ZEMPKEQAKRGZGQ-XOQCFJPHSA-N 0.000 abstract description 4
- 230000004044 response Effects 0.000 abstract description 3
- 239000013307 optical fiber Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002798 spectrophotometry method Methods 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G01N2011/006—Determining flow properties indirectly by measuring other parameters of the system
- G01N2011/008—Determining flow properties indirectly by measuring other parameters of the system optical properties
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于机器学习的粘滞系数光学测定装置及方法，装置包括宽带光源、样品试管、光谱分析仪、机器学习模块；本发明通过测定不同温度下样品对400‑1000nm波段的光谱吸收特性，引入机器学习方法，建立不同温度下蓖麻油的光谱吸收与标准粘滞系数的对应的最佳机器学习模型，进而利用机器学习模型可以实现粘滞系数的光学测定。方法具有非接触、响应快、无损伤、精度高等优点。
Description
技术领域
本发明涉及液体粘滞系数测定领域，具体的是一种基于机器学习的粘滞系数光学测定装置及方法。
背景技术
近些年来，工业技术迅速发展，粘滞系数作为一个重要物理量，对于物质的应用至关重要。粘滞系数的测量方法很多，有落球法、毛细管法、转筒法等，其中落球法是最基本的一种方法。由于该方法物理现象明显、原理直观。然而实验装置的简陋以及外部条件的限制，如斯托克斯公式成立的条件是球体在无限大液面介质中下降，实验球体光滑其具有刚性等，这使得相关物理公式需要修正，并且结果具有较大误差。并且各种改进技术都是基于斯托克斯的落球法进行，很难从根本上提高测量的精度，同时该方法需要大量重复实验才能获得较好结果，操作复杂繁琐，适应性较差。粘滞系数对温度很敏感，测量时间过长也会造成测量误差。
发明内容
为解决上述背景技术中提到的不足，本发明的目的在于提供，一种基于机器学习的粘滞系数光学测定装置及方法，通过测定不同温度下样品对光谱吸收特性，引入机器学习方法，建立不同温度下样品的光谱吸收与标准粘滞系数的对应的最佳机器学习模型，进而利用机器学习模型可以实现粘滞系数的光学测定，方法具有非接触、响应快、无损伤、精度高等优点。
本发明的目的可以通过以下技术方案实现：
一种基于机器学习的粘滞系数光学测定装置，包括宽带光源、样品试管、光谱分析仪和机器学习模块，宽带光源发出的宽波段光通过单模光纤传导，并通过耦合透镜进入样品试管，光经过样品试管后输出经耦合透镜进入光谱分析仪，光谱分析仪分析获得对应的光谱，将光谱输入到机器学习模块获得对应的粘滞系数及相关分析结果。
进一步优选地，所述宽带光源的光谱宽度根据具体测量物选择特定宽度，所述宽带光源的带宽为400-1000nm。
进一步优选地，所述光谱分析仪的扫描范围大于宽带光源的光谱范围。
进一步优选地，所述样品试管包括保温液体，保温外壳，密封盖，通光孔和玻璃试管，玻璃试管外套设保温外壳，保温外壳两端固定密封盖，玻璃试管和保温外壳之间填充保温液体，密封盖中间设有通光孔，样品试管长度为10-30cm。
进一步优选地，所述机器学习类型包括BP神经网络、RBP神经网络、LSTM神经网络、卷积神经网络、K均值聚类算法、随机森林、多元线性回归算法中的一种或几种集成。
一种基于机器学习的粘滞系数光学测定方法，包括以下步骤：
(1)根据具体测量物选择特定宽度的宽带光源，光源发出的光通过透镜耦合进被测样品，通过样品的出射光在经过透镜耦合进光谱仪；
(2)通过光谱强度信号来测量出液体的吸光度，进而得到光谱数据；
(3)将获得光谱数据输入到机器学习模型，根据先前建立的不同温度下样品的光谱吸收与标准粘滞系数的对应的最佳机器学习模型，进行粘滞系数的光学测定。
本发明的有益效果：
本发明的提出了一种基于机器学习的粘滞系数光学测定方法及装置，包括宽带光源、样品池、光谱分析仪、机器学习模块；由于粘滞系数随温度变化，而温度变化往往伴随折射率等物理性质变化，因此可以利用基于郎伯比尔定律的分光光度法测定不同温度下样品不同波段的透过率也就是吸光度来反映粘滞系数。但光谱变化与粘滞系数关系不能通过现有理论的数学方程计算出来，为此，引入机器学习模块作为桥梁，建立光学测量量与粘滞系数的关系模型，进而利用机器学习模型可以实现粘滞系数的光学测定。该方法具有非接触、响应快、无损伤、高精度等优点，同时可以实现变温粘滞系数的实时测量。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明基于机器学习的粘滞系数光学测定装置的系统框架图；
图2是本发明基于水浴法的恒温样品试管的结构示意图；
图3是本发明具体实施方式中用于蓖麻油粘滞系数测定得到的光谱数据；
图4是本发明具体实施方式中BP神经网络的对测试集测试结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种基于机器学习的粘滞系数光学测定装置，包括宽带光源、样品试管、光谱分析仪、单模光纤、耦合透镜和机器学习模块；宽带光源发出的宽波段光通过单模光纤传导，通过透镜耦合进入样品试管，光经过试管后输出，经透镜耦合进入光谱仪端的光纤，通过光谱仪获得对应光谱，最后将得到光谱输入到机器学习模块,获得对应的粘滞系数及相关分析结果。
对于装置中光源为宽带光源，带宽为400-1000nm，光谱分辨率大于1nm。其中光谱宽度也可以根据具体测量物选择特定宽。中间样品试管长度应处于10-30cm间，这样做是为保证样品的对不同波段光谱的吸收率，试管长度太短吸收率变化不明显。接收端的光谱仪扫描范围应大于所用光源光谱范围，且光谱分辨率应大于1nm。上述装置间的光的传播可以直接再空气中进行传输，也可以通过光纤进行传输。上述装置中的机器学习模块，可以采用现有的经典各种神经网络模型、支持向量机、随机森林或者其他深度学习的机器模型，也可以是多模型的集成。
本装置可以进行变温粘滞系数的实时测量，为保证测量精度，本发明提供一种基于水浴法的恒温试管，如图2所示。其中1是保温液体，2是保温外壳，3是密封盖，4是通光孔，5是待测液体，6为装待测液的玻璃试管。制作方法是在原本的试管外加套一层含有保温作用的液体层，保温液体可以是热容系数较高的液体，也可以是水。这使得当试管从水浴锅中拿出进行吸光度的测定时，可以保证在短时间的测定时间内管内液体温度不变，保证测量结果的准确性。
本专利的工作方式为：宽带光源产生信号光，信号光由单模光纤经过透镜耦合进入测量试管，经过试管后耦合输出到光谱分析仪。
本专利的原理为：
宽带光源发出的宽波段光通过单模光纤传导到输出端，由于光纤端口输出的光处于发散状态，直接接入待测溶液试管时光强会比较弱，因此我们加入透镜，通过透镜将光耦合进入待测溶液试管。光在待测溶液试管行进，不同波段光谱会呈现出不同的吸收变化。光经过试管后输出，经透镜耦合进入光谱仪接的光纤收端口，经过光纤传输到光谱仪，通过光谱仪获得对应温度下的光谱，最后将得到光谱输入到机器学习模块,获得对应的粘滞系数及相关分析结果。
图3是本方法用于蓖麻油粘滞系数测定得到的光谱数据。首先测定不同温度下蓖麻油对350-1000nm波段的吸收光谱，光谱分辨率为1纳米，光谱范围为350－1000纳米，也就是说每一条光谱曲线含有651个数据，变温范围10－50℃，变温间隔0.5℃，即共有81组不同温度下的光谱数据，输入神经网络的数据总量达到了52731。
朗伯比尔定律(Lambert-Beer law)是分光光度法的基本定律，是描述物质对某一波长光吸收的强弱与吸光物质的浓度及其液层厚度间的关系。通过朗伯比尔定律计算得到了不同波长下吸光度。
计算得到吸光度后，对数据进行标准化等预处理,将70％的数据作为训练集,输入BP神经网络进行学习,余下30％作为测试集,用来测试模型的性能.BP神经网络模型的结构由输入层，隐藏层，输出层组成。在输入层中输入不同温度的光谱数据，通过隐藏层中的9个神经元训练神经网络，最终在输出层得到对应的粘滞系数。BP神经网络训练时长为23秒训练完成后，得到了误差迭代曲线。对于BP神经网络来说，在第六次迭代后误差值趋于稳定，均方差数量级为10的负六次方。
图4展示了训练好的BP神经网络的对测试集测试结果。图中蓝色星号代表真实值，红色圆圈代表预测值，可以看出预测结果与实际值基本一致，准确率达到了99.94％。同样，通过RBF神经网络也得类似的预测结果，准确率为99.93％，但训练时间为2秒，大大低于BP的23秒。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (3)
1.一种基于机器学习的粘滞系数光学测定装置，其特征在于，包括宽带光源、样品试管、光谱分析仪和机器学习模块，宽带光源发出的宽波段光通过单模光纤传导，并通过耦合透镜进入样品试管，光经过样品试管后输出，经耦合透镜进入光谱分析仪，光谱分析仪分析获得对应的光谱，将光谱输入到机器学习模块获得对应的粘滞系数及相关分析结果；
所述宽带光源的光谱宽度根据具体测量物选择特定宽度，所述宽带光源的带宽为400-1000nm；
所述样品试管包括保温液体、保温外壳、密封盖、通光孔和玻璃试管，玻璃试管外套设保温外壳，保温外壳两端固定密封盖，玻璃试管和保温外壳之间填充保温液体，密封盖中间设有通光孔，样品试管长度为10-30cm；
采用所述粘滞系数光学测定装置测定粘滞系数的光学测定方法包括以下步骤：
(1)根据具体测量物选择特定宽度的宽带光源，光源发出的光通过透镜耦合进被测样品，通过样品的出射光在经过透镜耦合进光谱仪；
(2)通过光谱强度信号来测量出液体的吸光度，进而得到光谱数据；
(3)将获得光谱数据输入到机器学习模型，根据先前建立的不同温度下样品的光谱吸收与标准粘滞系数的对应的最佳机器学习模型，进行粘滞系数的光学测定。
2.根据权利要求1所述的基于机器学习的粘滞系数光学测定装置，其特征在于，所述光谱分析仪的扫描范围大于宽带光源的光谱范围。
3.根据权利要求1所述的基于机器学习的粘滞系数光学测定装置，其特征在于，所述机器学习类型包括BP神经网络、RBP神经网络、LSTM神经网络、卷积神经网络、K均值聚类算法、随机森林、多元线性回归算法中的一种或几种集成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111228164.6A CN113866047B (zh) | 2021-10-21 | 2021-10-21 | 一种基于机器学习的粘滞系数光学测定装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111228164.6A CN113866047B (zh) | 2021-10-21 | 2021-10-21 | 一种基于机器学习的粘滞系数光学测定装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113866047A CN113866047A (zh) | 2021-12-31 |
| CN113866047B true CN113866047B (zh) | 2024-04-02 |
Family
ID=78997060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111228164.6A Active CN113866047B (zh) | 2021-10-21 | 2021-10-21 | 一种基于机器学习的粘滞系数光学测定装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113866047B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6353445A (ja) * | 1986-08-25 | 1988-03-07 | Toshiba Corp | ちよう度測定装置 |
| CN2175411Y (zh) * | 1993-05-28 | 1994-08-24 | 王成林 | 沥青保温流量传感器 |
| US5446681A (en) * | 1990-10-12 | 1995-08-29 | Exxon Research And Engineering Company | Method of estimating property and/or composition data of a test sample |
| WO2003036258A2 (en) * | 2001-10-23 | 2003-05-01 | Waters Investments Limited | System and method for determining radius of gyration, molecular weight, and intrinsic viscosity of a polymeric distribution using gel permeation chromatography and light-scattering detection |
| CN201001616Y (zh) * | 2007-02-05 | 2008-01-09 | 宋国强 | 均温节能保温炒锅 |
| CN101726451A (zh) * | 2008-10-21 | 2010-06-09 | 冯新泸 | 一种测定内燃机油粘度指数的方法 |
| CN101799411A (zh) * | 2010-03-31 | 2010-08-11 | 中国人民解放军总后勤部油料研究所 | 一种润滑油在用油质量光谱快速检测法 |
| CN101806729A (zh) * | 2010-03-31 | 2010-08-18 | 中国人民解放军总后勤部油料研究所 | 一种润滑油在用油质量快速检测方法 |
| CN103063599A (zh) * | 2011-10-18 | 2013-04-24 | 中国石油化工股份有限公司 | 由透射红外光谱预测原油密度的方法 |
| CN203101219U (zh) * | 2012-09-07 | 2013-07-31 | 金逢锡 | 变温粘滞系数测定仪 |
| WO2014127379A1 (en) * | 2013-02-18 | 2014-08-21 | Theranos, Inc. | Systems and methods for multi-analysis |
| CN104382687A (zh) * | 2014-12-03 | 2015-03-04 | 西南科技大学 | 一种热水袋 |
| CN206292214U (zh) * | 2016-11-18 | 2017-06-30 | 苏州聚阳环保科技股份有限公司 | 可高效加热的消解池装置 |
| CN107328690A (zh) * | 2017-07-28 | 2017-11-07 | 西安交通大学 | 一种适用于测量流体近临界区域粘度的装置及方法 |
| CN108982405A (zh) * | 2018-08-30 | 2018-12-11 | 电子科技大学 | 一种基于深度学习的油品含水率测量方法及测量仪 |
| CN208432503U (zh) * | 2018-07-25 | 2019-01-25 | 南京信息工程大学 | 一种基于stm32的旋转式粘度计 |
| CN113218903A (zh) * | 2021-05-19 | 2021-08-06 | 中国石油大学(华东) | 一种基于微流控与人工智能的油液分析设备故障预测系统 |
| CN214310143U (zh) * | 2020-12-03 | 2021-09-28 | 郑州永邦测控技术有限公司 | 一种成品油油品质量分析仪 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7930782B2 (en) * | 1994-04-19 | 2011-04-26 | Applied Elastomerics, Inc. | Gels, gel composites, and gel articles |
| RU2390760C2 (ru) * | 2005-03-04 | 2010-05-27 | ЭфПиИННОВЕЙШНЗ | Способ определения числа каппа целлюлозы с помощью спектрометрии в видимом и ближнем инфракрасном диапазоне |
| FR2936167A1 (fr) * | 2008-09-23 | 2010-03-26 | Commissariat Energie Atomique | Micro-dispositif d'analyse d'echantillons liquides. |
| US8499618B2 (en) * | 2009-09-25 | 2013-08-06 | Bio-Visco Inc. | Device for automatically measuring viscosity of liquid |
| US9981459B2 (en) * | 2013-03-15 | 2018-05-29 | The United States Of America, As Represented By The Secretary Of The Navy | Layered infrared transmitting optical elements and method for making same |
| EP3322968B1 (en) * | 2015-07-14 | 2024-02-21 | Cytochip Inc. | Volume sensing in a fluidic cartridge |
| US20180231459A1 (en) * | 2017-02-16 | 2018-08-16 | B. G. Negev Technologies And Applications Ltd. At Ben-Gurion University | Lab-on-chip near-infrared spectrometer for label-free molecular analysis of a sample |
| US10258238B2 (en) * | 2017-02-17 | 2019-04-16 | The Board Of Trustees Of The University Of Illinois | Method and apparatus for OCT-based viscometry |
-
2021
- 2021-10-21 CN CN202111228164.6A patent/CN113866047B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6353445A (ja) * | 1986-08-25 | 1988-03-07 | Toshiba Corp | ちよう度測定装置 |
| US5446681A (en) * | 1990-10-12 | 1995-08-29 | Exxon Research And Engineering Company | Method of estimating property and/or composition data of a test sample |
| CN2175411Y (zh) * | 1993-05-28 | 1994-08-24 | 王成林 | 沥青保温流量传感器 |
| WO2003036258A2 (en) * | 2001-10-23 | 2003-05-01 | Waters Investments Limited | System and method for determining radius of gyration, molecular weight, and intrinsic viscosity of a polymeric distribution using gel permeation chromatography and light-scattering detection |
| CN201001616Y (zh) * | 2007-02-05 | 2008-01-09 | 宋国强 | 均温节能保温炒锅 |
| CN101726451A (zh) * | 2008-10-21 | 2010-06-09 | 冯新泸 | 一种测定内燃机油粘度指数的方法 |
| CN101799411A (zh) * | 2010-03-31 | 2010-08-11 | 中国人民解放军总后勤部油料研究所 | 一种润滑油在用油质量光谱快速检测法 |
| CN101806729A (zh) * | 2010-03-31 | 2010-08-18 | 中国人民解放军总后勤部油料研究所 | 一种润滑油在用油质量快速检测方法 |
| CN103063599A (zh) * | 2011-10-18 | 2013-04-24 | 中国石油化工股份有限公司 | 由透射红外光谱预测原油密度的方法 |
| CN203101219U (zh) * | 2012-09-07 | 2013-07-31 | 金逢锡 | 变温粘滞系数测定仪 |
| WO2014127379A1 (en) * | 2013-02-18 | 2014-08-21 | Theranos, Inc. | Systems and methods for multi-analysis |
| CN105378450A (zh) * | 2013-02-18 | 2016-03-02 | 赛拉诺斯股份有限公司 | 用于多元分析的系统和方法 |
| CN104382687A (zh) * | 2014-12-03 | 2015-03-04 | 西南科技大学 | 一种热水袋 |
| CN206292214U (zh) * | 2016-11-18 | 2017-06-30 | 苏州聚阳环保科技股份有限公司 | 可高效加热的消解池装置 |
| CN107328690A (zh) * | 2017-07-28 | 2017-11-07 | 西安交通大学 | 一种适用于测量流体近临界区域粘度的装置及方法 |
| CN208432503U (zh) * | 2018-07-25 | 2019-01-25 | 南京信息工程大学 | 一种基于stm32的旋转式粘度计 |
| CN108982405A (zh) * | 2018-08-30 | 2018-12-11 | 电子科技大学 | 一种基于深度学习的油品含水率测量方法及测量仪 |
| CN214310143U (zh) * | 2020-12-03 | 2021-09-28 | 郑州永邦测控技术有限公司 | 一种成品油油品质量分析仪 |
| CN113218903A (zh) * | 2021-05-19 | 2021-08-06 | 中国石油大学(华东) | 一种基于微流控与人工智能的油液分析设备故障预测系统 |
Non-Patent Citations (6)
| Title |
|---|
| Measurement of gas viscosity using photonic crystal fiber;2016-11-30;《AIP Conference Proceedings》;20161130;第1786卷(第1期);第080008页 * |
| Origins of the Viscosity Peak in Wormlike Micellar Solutions. 1. Mixed Catanionic Surfactants. A Cryo-Transmission Electron Microscopy Study;Lior Ziserman 等;《Langmuir》;第25卷(第18期);第10483-10489页 * |
| The effect of filler geometry on thermo-optical and rheological properties of CuO nanofluid;Janki Shah 等;《Journal of Molecular Liquids》;第272卷;第668-675页 * |
| 热式油水两相流含油率测量方法研究;张春晓;《中国博士学位论文全文数据库》;20101115(第11期);第B015-6页 * |
| 赵允文.《新编实用临床检验手册》.福建科学技术出版社,1995,(第1版),第385-388页. * |
| 页岩复杂裂缝支撑剂分流机制;潘林华 等;《中国石油大学学报(自然科学版)》;第44卷(第1期);第61-70页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113866047A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Larraín et al. | A multipurpose portable instrument for determining ripeness in wine grapes using NIR spectroscopy | |
| Washenfelder et al. | Broadband measurements of aerosol extinction in the ultraviolet spectral region | |
| AU2006324129B2 (en) | Apparatus and method for spectrophotometric analysis | |
| CN105486658B (zh) | 一种具有无测点温度补偿功能的近红外物性参数测量方法 | |
| CN103221793A (zh) | 具有可调节的光路程长度的多程池的光学吸收光谱 | |
| CN104089911A (zh) | 基于一元线性回归的光谱模型传递方法 | |
| CN105548057A (zh) | 紫外光谱烟气分析测量方法 | |
| US7288767B2 (en) | Method and a spectrometer for quantitative determination of a constituent in a sample | |
| Galpin et al. | Refractive index retrievals for polystyrene latex spheres in the spectral range 220–420 nm | |
| CN107860743A (zh) | 利用反射式近红外光纤探头构建快速预测原油性质的模型的方法及其应用 | |
| Wang et al. | Sensitive dual sensing system for oxygen and pressure based on deep ultraviolet absorption spectroscopy | |
| CN107462524A (zh) | 沥青多种性质快速分析仪 | |
| CN101949825B (zh) | 光开放环境下的叶片水分近红外无损检测装置及方法 | |
| CN114414521A (zh) | 基于红外多光谱传感器的牛奶主要成分测量方法 | |
| CN113866047B (zh) | 一种基于机器学习的粘滞系数光学测定装置及方法 | |
| Li et al. | Identification of oil–water-gas flow patterns by super-sparse near-infrared wavelengths sensor | |
| CN106248602A (zh) | 基于光纤f‑p干涉仪的硫化氢气体传感装置 | |
| CN111721336A (zh) | 基于监督学习的自干涉微环谐振腔传感分类识别方法 | |
| CN115290587A (zh) | 一种基于空芯光纤的多通道溶液浓度检测方法及检测装置 | |
| Moreira et al. | Calibration of a photometer for quantification of ethanol in gasoline: Absorbance determination | |
| Kröckel et al. | Multiscale spectroscopy using a monolithic liquid core waveguide with laterally attached fiber ports | |
| Aljalal et al. | Detection of nitrogen dioxide with tunable multimode blue diode Lasers | |
| CN113189032A (zh) | 一种基于液芯波导的水质在线检测系统及检测方法 | |
| CN110567899B (zh) | 一种cod检测低温补偿方法 | |
| GB2494693A (en) | Validating the determination of the optical path length of a sample |
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 |