CN115060687B - 一种成品油生产企业税收监管方法 - Google Patents
一种成品油生产企业税收监管方法 Download PDFInfo
- Publication number
- CN115060687B CN115060687B CN202210989895.0A CN202210989895A CN115060687B CN 115060687 B CN115060687 B CN 115060687B CN 202210989895 A CN202210989895 A CN 202210989895A CN 115060687 B CN115060687 B CN 115060687B
- Authority
- CN
- China
- Prior art keywords
- oil
- product
- qualitative
- tax
- finished
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 19
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000004451 qualitative analysis Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000010238 partial least squares regression Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000012797 qualification Methods 0.000 claims description 2
- 238000010239 partial least squares discriminant analysis Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 84
- 239000003502 gasoline Substances 0.000 description 15
- 239000002283 diesel fuel Substances 0.000 description 11
- 239000003350 kerosene Substances 0.000 description 11
- 238000002203 pretreatment Methods 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 238000002835 absorbance Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G01N21/359—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
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种成品油生产企业税收监管方法,该方法首先收集历史成品油,采用近红外光谱仪采集成品油光谱,建立成品油类别与光谱间的定性模型。在成品油管线上安装密度计,实时监测成品油密度,快速筛查存在密度检测存疑的样本,然后采集存疑样本的近红外光谱,采用已建立的定性模型进行定性识别,从而确定其所属成品油的类别。该方法能够对成品油进行快速且准确的定性分析,从而为防范成品油偷逃税提供有效技术支撑。
Description
技术领域
本发明涉及成品油定性分析领域,具体是通过对成品油的密度检测和近红外光谱分析,从而对成品油进行税收监管的方法。
背景技术
多年来国家一直通过政策引导炼油化工产业淘汰落后产能进行转型升级,实现双碳目标,但一些低效炼油化工企业通过偷逃税款继续在市场上长期存在。这既与国家设立消费税调节产业结构,引导生产和消费成品油的目标不符,又破坏了成品油市场的公平。
目前成品油消费税征税设置在生产环节。成品油生产、购销等均在管道、储罐中连续进行,无法直接、实时查看,原料和产品仅凭肉眼也无法判断其种类。生产商通过变品名等方式,将应税产品按低税产品或非应税出库,而税务部门一线缺乏具有石油化学行业知识的专业人才,没有有效的税控装置对成品油生产企业的生产工艺、产品性质、原材料耗用、用途等方面全面掌握。上述情况导致我国每年因偷逃税损失巨大,因此亟需一种实时快速的技术手段,有效对成品油生产企业的成品油出厂销售环节进行全面掌握。
发明内容
针对上述问题,本发明提供一种成品油生产企业税收监管方法,该方法基于税控装置,所述税控装置包括实时监测成品油密度的密度计和用于定性分析的监测主机。税控装置通过对成品油进行快速准确的定性分析,将分析结果与报税产品比对从而防范成品油偷逃税,具有操作简单快捷、实时性好和检测精度高等特点。
本发明提出一种成品油生产企业税收监管方法,具有如下步骤:
1)收集历史成品油,建立定性分析模型,具体步骤如下:
a)采用近红外光谱仪扫描历史成品油的近红外谱图。
b)对历史成品油样本的近红外谱图进行数据预处理。
c)将数据预处理后的不同类别的历史成品油样本设定标志位并划分建模集和验证集。
d)采用建模集,建立定性模型。
e)采用验证集验证定性模型,若合格率>95%,则模型满足工业要求,将其应用于成品油偷逃税监管系统,否则需重新建立定性模型。
2)通过安装在成品油管线上的密度计实时监测成品油密度。
3)监测密度值若超出该管线应输送成品油的密度范围,则此油品为嫌疑油品,转步骤4),否则转步骤2)。
4)收集嫌疑油品,并采用光谱仪扫描其近红外谱图。
5)对嫌疑油品的光谱进行数据预处理,预处理方法与定性模型建模时所用的预处理方法相同。
6)采用步骤1)中的定性模型对嫌疑油品进行定性识别。
7)定性结果与该输油管线应输送成品油类别相同,则继续监控该输油管线。否则需对嫌疑油品进行记录并预警。
进一步的,所述对成品油近红外光谱样本数据的预处理方法包含如下步骤:
1)采用基线校正以消除基线的漂移。
2)选择光谱波段范围以截取谱图关键信息。
3)进行平滑处理以消除高频噪声对信号的干扰。
4)进行归一化处理以消除量纲和奇异样本数据对分析结果的影响。
进一步的,光谱信息的定性分析通过建立成品油类别与近红外光谱之间的定性模型完成,定性模型通过偏最小二乘法判别分析方法建立。
进一步的,通过偏最小二乘法判别分析建立定性模型的步骤包含:
1)针对预处理后的建模集,通过交叉有效性检验确认提取的主成分数量。
2)根据主成分个数,对预处理后的近红外光谱样本数据做偏最小二乘回归分析,建立成品油类别与近红外光谱之间的定性模型。
有益效果
本发明公开了一种成品油生产企业税收监管方法,该方法充分利用成品油的密度和近红外光谱,采用密度计实时监测企业出库成品油品密度,实时发现变品名出货风险。采用成品油近红外光谱建立定性模型快速识别出库油品类别,进一步确认是否存在违规出货问题,具有操作简单快捷、实时性好和检测精度高等特点。
附图说明
图1为本发明的一种成品油生产企业税收监管方法流程图。
图2为典型历史成品汽油、煤油和柴油的光谱对比图。
图3为历史成品油预处理后的光谱图。
图4为嫌疑油品的光谱图。
图5为嫌疑油品预处理后的光谱对比图。
具体实施方式
下面结合附图以及具体的算例,由具体的操作流程说明本方法的实施效果。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明的总体流程图如图1所示,具体实施步骤如下:
1、收集历史成品油,建立定性模型。
选取某炼化企业成品油输油管线2020年6月1日到2021年6月1日检测到的实时工况数据,以此建立成品油定性模型,从而验证本发明所提出方法的有效性,收集的成品油包含汽油、煤油和柴油,共计3120个。建模过程如下:
1)通过近红外光谱仪采集历史成品油的近红外光谱,图2给出了典型成品汽油、煤油和柴油4000cm-1-5000cm-1波数范围内的光谱。
2)对历史成品油样本的近红外光谱进行数据预处理,本实施例数据预处理步骤如下:
a)基线校正,用以消除基线的漂移,本实施例采用两点基线校正对每个油品的吸光度进行基线校正,实施例中选取5000cm-1和6400cm-1两波数点作为校正基点。
b)光谱波段范围选择,本实施例中选取的光谱波段范围为4000cm-1-4800cm-1。
c)平滑处理,采用Savitzky-Golay平滑法对基线校正后的吸光度数据进行平滑处理。
d)归一化处理,用以消除量纲和奇异样本数据对分析结果的影响。
经过上述数据处理后的成品汽油、煤油和柴油的谱图如图3所示。
3)为数据预处理后的不同类别的历史成品油样本设定标志位并划分建模集和验证集,本实施例中建模集和验证集分别为2340和780个成品油
表1 成品汽油、煤油和柴油类别划分
油种 | 汽油 | 煤油 | 柴油 |
成品油类别 | 1 | 3 | 5 |
4)针对建模集,本实施例采用偏最小二乘法法建立成品油定性模型,具体步骤如下:
a)通过交叉有效性检验确认提取的主成分数量,最终主成分数量取3。
b)根据主成分个数,对预处理后的近红外光谱样本数据做偏最小二乘回归分析,建立成品油类别与近红外光谱之间的聚类模型,模型的自变量为经过数据预处理的成品油近红外光谱数据,在建模集上的准确率及具体的定性结果如表2所示。结果表明,该偏最小二乘回归分析模型在建模集上的平均识别准确率达到了99.27%。
表2建模集模型识别结果
油种 | 汽油 | 煤油 | 柴油 |
样本总数 | 600 | 900 | 840 |
正确识别样本数 | 595 | 897 | 831 |
准确率 | 99.17% | 99.67% | 98.93% |
c)通过验证集对建立的模型进行检验,将建立的定性模型应用于验证集,模型识别结果如表3所示,模型的平均准确率达到了98.33%,完全满足工业应用要求。
表3验证集模型识别结果
油种 | 汽油 | 煤油 | 柴油 |
样本总数 | 200 | 300 | 280 |
正确识别样本数 | 198 | 293 | 276 |
准确率 | 99.00% | 97.67% | 98.57% |
2、对成品油进行偷逃税监管,分别在成品汽油、煤油和柴油的输油管线安装密度计监测成品油密度,表4为成品汽油、煤油和柴油的密度范围。
表4 成品汽油、煤油和柴油密度范围
油种 | 汽油 | 煤油 | 柴油 |
密度范围/(Kg/m3) | 720-775 | 775-830 | 810-850 |
税率 | 2109.76元/吨 | 1495.2元/吨 | 1411.2元/吨 |
3、判断各管线成品油的密度值是否在正常值范围内,对于超出其对应类别密度范围的成品油,可能在偷逃税嫌疑,将其进行现场采样。本实施例中成品柴油管线的密度计检测为761kg/m3,超出成品柴油的密度范围810-850kg/m3,存在将高税收的成品汽油按低税收的柴油出库的偷逃税风险,因此需要进行现场采样。
4、通过近红外光谱仪采集上述嫌疑样本的近红外光谱。
5、对嫌疑样本的近红外光谱进行数据预处理,预处理方法与定性模型相同,结果如图4所示。
6、采用定性模型对嫌疑样本进行快速识别,本实施例中的嫌疑样本被识别为汽油,并且从图5中可以看出嫌疑油更接近汽油,因此在柴油管线内输送的极可能是成品汽油并非柴油,存在偷税漏税的嫌疑。
7、本实施例中的嫌疑样本需要进行记录并预警。
由上述分析可知,本发明的成品油生产企业税收监管方法,能够根据成品油的密度和近红外光谱,对其进行实时快速准确的识别。可见,通过本发明可以实现快速而准确的成品油类别识别,从而防范成品油偷逃税,有效对成品油生产企业的成品油出厂销售环节进行全面掌握。
Claims (7)
1.一种成品油生产企业税收监管方法,其特征在于该方法基于税控装置,所述税控装置包括实时监测成品油密度的密度计和用于定性分析的监测主机;税控装置通过对成品油进行快速准确的定性分析,将分析结果与报税产品比对从而防范成品油偷逃税,具有以下步骤:
1)收集历史成品油,建立定性模型;
2)通过安装在成品油管线上的密度计实时监测成品油密度;
3)监测密度值若超出该管线应输送成品油的密度范围,则此油品为嫌疑油品,转步骤4),否则转步骤2);
4)收集嫌疑油品,并采用光谱仪扫描其近红外谱图;
5)对嫌疑油品的近红外谱图进行数据预处理;
6)采用步骤1)中的定性模型对嫌疑油品进行定性识别;
7)定性结果与该输油管线应输送成品油类别相同,则继续监控该输油管线;否则需对嫌疑油品进行记录并预警。
2.根据权利要求1所述的一种成品油生产企业税收监管方法,其特征在于建立定性模型具体步骤如下:
1-1)采用近红外光谱仪扫描历史成品油的近红外谱图;
1-2)对历史成品油样本的近红外谱图进行数据预处理;
1-3)将数据预处理后的不同类别的历史成品油样本设定标志位并划分建模集和验证集;
1-4)采用建模集,建立定性模型;
1-5)采用验证集验证定性模型,若合格率>95%,则模型满足工业要求,将其应用于成品油偷逃税监管系统,否则需重新建立定性模型。
3.根据权利要求2所述的一种成品油生产企业税收监管方法,其特征在于对成品油近红外光谱样本数据的预处理包含如下步骤:
1-2-1)采用基线校正以消除基线的漂移;
1-2-2)选择光谱波段范围以截取谱图关键信息;
1-2-3)进行平滑处理以消除高频噪声对信号的干扰;
1-2-4)进行归一化处理以消除量纲和奇异样本数据对分析结果的影响。
4.根据权利要求1所述的一种成品油生产企业税收监管方法,其特征在于光谱信息的定性分析通过建立成品油类别与近红外光谱之间的定性模型完成。
5.根据权利要求2所述的一种成品油生产企业税收监管方法,其特征在于定性模型通过偏最小二乘法判别分析方法建立。
6.根据权利要求5所述的一种成品油生产企业税收监管方法,其特征在于通过偏最小二乘法判别分析建立定性模型的步骤包含:
1-4-1)针对预处理后的建模集,通过交叉有效性检验确认提取的主成分数量;
1-4-2)根据主成分个数,对预处理后的近红外光谱样本数据做偏最小二乘回归分析,建立成品油类别与近红外光谱之间的定性模型。
7.根据权利要求3所述的一种成品油生产企业税收监管方法,其特征在于步骤5)中进行的嫌疑油品的近红外谱图数据预处理,与步骤1-2)中进行的历史成品油样本的近红外谱图数据预处理的步骤一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989895.0A CN115060687B (zh) | 2022-08-18 | 2022-08-18 | 一种成品油生产企业税收监管方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989895.0A CN115060687B (zh) | 2022-08-18 | 2022-08-18 | 一种成品油生产企业税收监管方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115060687A CN115060687A (zh) | 2022-09-16 |
CN115060687B true CN115060687B (zh) | 2022-11-08 |
Family
ID=83207443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210989895.0A Active CN115060687B (zh) | 2022-08-18 | 2022-08-18 | 一种成品油生产企业税收监管方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115060687B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5358873A (en) * | 1992-07-27 | 1994-10-25 | Atlantic Richfield Company | Method for determining adulteration of gasolines |
JPH1114542A (ja) * | 1997-06-19 | 1999-01-22 | Yokogawa Electric Corp | 油種判別装置 |
CN1991336A (zh) * | 2005-12-30 | 2007-07-04 | 财团法人工业技术研究院 | 移动式油品检测装置及其检测方法 |
CN103217393A (zh) * | 2013-04-01 | 2013-07-24 | 华南农业大学 | 一种掺伪茶油的检测方法 |
WO2016150130A1 (zh) * | 2015-03-25 | 2016-09-29 | 山东翰能高科科技有限公司 | 一种基于近红外光谱的杂交种纯度鉴别方法 |
CN106645020A (zh) * | 2016-12-19 | 2017-05-10 | 中国石油化工股份有限公司 | 汽油氧化安定性快速测定方法 |
CN106770015A (zh) * | 2017-01-10 | 2017-05-31 | 南京富岛信息工程有限公司 | 一种基于主成分分析相似判别的油品性质检测方法 |
CN107505282A (zh) * | 2017-08-28 | 2017-12-22 | 南京富岛信息工程有限公司 | 一种提高油品近红外建模稳健性的方法 |
CN111238997A (zh) * | 2020-02-12 | 2020-06-05 | 江南大学 | 一种原油脱盐脱水过程的进料密度在线测量方法 |
CN113433088A (zh) * | 2021-06-25 | 2021-09-24 | 南京富岛信息工程有限公司 | 一种原油长输管线混油段精细化监测方法 |
CN114154106A (zh) * | 2021-12-02 | 2022-03-08 | 中国石油大学(北京) | 基于实时数据的成品油管道批次跟踪方法、系统及设备 |
CN114563387A (zh) * | 2021-11-23 | 2022-05-31 | 南宁纹析生物科技有限公司 | 一种基于拉曼光谱技术鉴别茶油掺伪的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8911512B2 (en) * | 2012-09-20 | 2014-12-16 | Kior, Inc. | Use of NIR spectra for property prediction of bio-oils and fractions thereof |
CN107894408B (zh) * | 2017-11-24 | 2021-04-13 | 中国农业科学院油料作物研究所 | 一种基于近红外光谱仪的食用油多元掺伪鉴别方法 |
-
2022
- 2022-08-18 CN CN202210989895.0A patent/CN115060687B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5358873A (en) * | 1992-07-27 | 1994-10-25 | Atlantic Richfield Company | Method for determining adulteration of gasolines |
JPH1114542A (ja) * | 1997-06-19 | 1999-01-22 | Yokogawa Electric Corp | 油種判別装置 |
CN1991336A (zh) * | 2005-12-30 | 2007-07-04 | 财团法人工业技术研究院 | 移动式油品检测装置及其检测方法 |
CN103217393A (zh) * | 2013-04-01 | 2013-07-24 | 华南农业大学 | 一种掺伪茶油的检测方法 |
WO2016150130A1 (zh) * | 2015-03-25 | 2016-09-29 | 山东翰能高科科技有限公司 | 一种基于近红外光谱的杂交种纯度鉴别方法 |
CN106645020A (zh) * | 2016-12-19 | 2017-05-10 | 中国石油化工股份有限公司 | 汽油氧化安定性快速测定方法 |
CN106770015A (zh) * | 2017-01-10 | 2017-05-31 | 南京富岛信息工程有限公司 | 一种基于主成分分析相似判别的油品性质检测方法 |
CN107505282A (zh) * | 2017-08-28 | 2017-12-22 | 南京富岛信息工程有限公司 | 一种提高油品近红外建模稳健性的方法 |
CN111238997A (zh) * | 2020-02-12 | 2020-06-05 | 江南大学 | 一种原油脱盐脱水过程的进料密度在线测量方法 |
CN113433088A (zh) * | 2021-06-25 | 2021-09-24 | 南京富岛信息工程有限公司 | 一种原油长输管线混油段精细化监测方法 |
CN114563387A (zh) * | 2021-11-23 | 2022-05-31 | 南宁纹析生物科技有限公司 | 一种基于拉曼光谱技术鉴别茶油掺伪的方法 |
CN114154106A (zh) * | 2021-12-02 | 2022-03-08 | 中国石油大学(北京) | 基于实时数据的成品油管道批次跟踪方法、系统及设备 |
Non-Patent Citations (1)
Title |
---|
一种添加历史数据的近红外光谱特征提取方法研究;李浩光等;《光谱学与光谱分析》;20161015(第10期);第3148-3153页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115060687A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ai et al. | Prognostic role of RDW in hematological malignancies: a systematic review and meta-analysis | |
Alaizari et al. | Meta‐analysis of the predictive value of DNA aneuploidy in malignant transformation of oral potentially malignant disorders | |
Girma et al. | Evaluating the foreign ownership wage premium using a difference-in-differences matching approach | |
CN104777143A (zh) | 一种用于过期药的、基于拉曼光谱的相似度鉴定方法 | |
CN115060687B (zh) | 一种成品油生产企业税收监管方法 | |
CN113128567A (zh) | 一种基于用电量数据的异常用电行为识别方法 | |
CN111178672B (zh) | 一种基于平衡性的智能稽查方法 | |
CN104345045A (zh) | 一种基于化学模式识别和近红外光谱的相似药材鉴别方法 | |
Bhushan et al. | Chemometrics applications in biotech processes: assessing process comparability | |
CN109283153B (zh) | 一种酱油定量分析模型的建立方法 | |
CN105954228A (zh) | 基于近红外光谱的油砂中金属钠含量的测量方法 | |
CN103760131A (zh) | 基于近红外光谱检测的汽油油品属性实时预测方法 | |
CN110675131A (zh) | 一种质量监测数据质量控制审核方法 | |
US10865945B2 (en) | Methods for reducing transmix production on petroleum pipelines | |
Liu et al. | Next Generation Oilfield On-site Trace Chemicals Analysis By SERS | |
Bowers | Quantification of Methane Emissions from Marginal (Low Production Rate) Oil and Natural Gas Wells | |
CN107132200A (zh) | 应用近红外光谱技术鉴别真伪中国劲酒的方法 | |
CN113203701A (zh) | 一种原油产地溯源方法和装置 | |
CN106290242A (zh) | 油砂中镁元素含量的近红外光谱快速测定方法 | |
CN111046114A (zh) | 一种基于Excel的路谱采集分析方法 | |
CN104819953A (zh) | 一种基于近红外光谱技术的dl-蛋氨酸的快速检测方法 | |
Rayesa et al. | Cost of quality model in the practice of apple juice processing business unit in Batu City: a comparison | |
CN112397158B (zh) | 一种快速预测烟草薄片样品评分的方法 | |
CN218100257U (zh) | 一种成品油生产企业税收监管系统的信息收发拓扑结构 | |
CN113588622A (zh) | 一种基于拉曼光谱分析技术的有机热载体品质鉴定方法 |
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 |