CN1979132A - 用近红外光谱测定加氢尾油环烷烃及芳烃族组成的方法 - Google Patents
用近红外光谱测定加氢尾油环烷烃及芳烃族组成的方法 Download PDFInfo
- Publication number
- CN1979132A CN1979132A CN 200610097898 CN200610097898A CN1979132A CN 1979132 A CN1979132 A CN 1979132A CN 200610097898 CN200610097898 CN 200610097898 CN 200610097898 A CN200610097898 A CN 200610097898A CN 1979132 A CN1979132 A CN 1979132A
- Authority
- CN
- China
- Prior art keywords
- model
- naphthenic hydrocarbon
- sample
- alkane
- group composition
- 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.)
- Granted
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
用近红外光谱测定加氢尾油环烷烃及芳烃族组成的方法涉及用近红外光谱对烯烃裂解装置、芳烃重整装置及炼油加氢装置的加氢尾油建立环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃模型,利用所建模型测定加氢尾油族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃的含量。具体而言,是一种应用傅立叶变换近红外光谱分析技术、结合化学计量学方法测定加氢尾油族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃的含量。该方法简捷、快速、准确。
Description
技术领域
本发明涉及用近红外光谱技术对烯烃裂解装置、芳烃重整装置及炼油加氢装置的加氢尾油建立环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃模型,利用所建模型测定加氢尾油族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃的含量。
背景技术
乙烯生产装置要实现实时优化,就必须首先实现原料族组成的快速分析,而现在一般使用的色谱法至少需要2-3小时,尤其是对重质原料,采用色谱-质谱联用分析法,所需时间更长,远远不能满足生产厂的要求,急需寻找更加方便快捷的分析方法。
应用近红外光谱技术逐步建立加氢尾油族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃分析方法的模型,利用所建模型达到快速测定加氢尾油族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃的含量。为烯烃相关装置的原料和工艺优化提供快速而准确的依据。此方法建成后,可以在10min内快速高效的测定加氢尾油的烃类组成,所需时间比气相色谱-质谱连用方法减少了2小时以上。检测过程快速、高效、环保;样品无需预处理,也不消耗试剂、标准物质;具有性能稳定,测量精度高,扫描速度快,可靠性高,使用方便,分析成本低的特点。
发明内容
技术问题:本发明的目的是提供一种用近红外光谱测定加氢尾油环烷烃及芳烃族组成的方法,该方法快速、简便的利用傅里叶变换近红外光谱仪测定烯烃相关装置加氢尾油族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃分析方法的模型,从而快速得到加氢尾油族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃的含量(质量分数,m%)。
技术方案:本发明的用近红外光谱测定加氢尾油环烷烃及芳烃族组成的方法,是一套加氢尾油族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃模型的快速测定方法,更具体地说,本发明提供了测定加氢尾油中环烷烃含量的模型、一环烷烃含量的模型、二环烷烃含量的模型、三环烷烃含量的模型、四环烷烃含量的模型及芳烃含量的模型共六种。该方法包括以下步骤:
1.)收集建模样品及近红外光谱数据:使用近红外光谱仪分别测量、采集各建模用的烯烃相关装置加氢尾油样品的近红外光谱信息;
2.)建立与校正模型:化学值采用色谱-质谱连用分析方法测定的加氢尾油标准样品族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃与芳烃的质量分数数据,将具有化学值的加氢尾油标准样品分为校正集和验证集,校正集用于建立模型,验证集不参与建模,用于检测模型的准确性,校正集光谱经过选择处理后,采用化学计量学方法中的偏最小二乘法,与对应的化学族组成数据建立定量模型;将建立的定量模型利用定量分析软件进行处理,选择一个预测残差平方和、阶数、光谱的波段处于最佳的模型光谱预处理方法,再通过偏最小二乘法校正模型;
3.)校正模型的验证:采用交互验证法来验证建立的校正模型,交互验证是最有用的验证方法,这种方法试图使用校正集本身的数据去模拟未知样品集的数据,以期评价模型的实际预能力;
4.)分别使用所建模型预测样品族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃与芳烃含量,预测结果与色谱-质谱连用分析方法测定的结果进行比较,若样品族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃与芳烃质量分数大于10m%,则预测结果与色谱-质谱连用分析方法测定结果的残差小于2%;若样品族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃与芳烃质量分数小于等于10m%,则预测结果与色谱-质谱连用分析方法测定结果的残差应小于1%。
有益效果:
(1)本方法是用傅里叶变换近红外光谱仪快速测定加氢尾油中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃的含量。
(2)本方法是针对馏分在175℃~500℃的所有加氢尾油样品。
(3)本方法具有简捷、快速、准确及测试费用低等优点。由于傅里叶变换近红外光谱仪能同时测量、记录样品的所有光谱信息,并以更高的效率采集来自光源的辐射能量,从而使它具有比传统光谱仪高得多的信噪比和分辨率,因而使得样品测量时间大大减少,样品测试方法快速;又由于傅里叶变换近红外光谱仪的光学材料为一般的石英或玻璃,仪器价格较低,操作空间小,样品大都无需预处理,不消耗试剂、标准物质,且只需取1克左右的样品,就可以得到所需的数据,使样品测试过程简捷、环保、测试费用大大降低;采用偏最小二乘方法及一组已知的同类样品建立的加氢尾油中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃等含量的模型,可以快速得到残差小于2m%(质量分数,m%)的测量结果,且样品测试时极少受到污染,从而得到精确度很高的定量结果。
附图说明
图1为建立模型的流程图。
图2为加氢尾油族组成中环烷烃模型的总体指标图。
图3为加氢尾油族组成中一环烷烃模型的总体指标图。
图4为加氢尾油族组成中二环烷烃模型的总体指标图。
图5为加氢尾油族组成中三环烷烃模型的总体指标图。
图6为加氢尾油族组成中四环烷烃模型的总体指标图。
图7为加氢尾油族组成中芳烃模型的总体指标图。
具体实施方式
该方法包括测定加氢尾油中环烷烃含量的模型、一环烷烃含量的模型、二环烷烃含量的模型、三环烷烃含量的模型、四环烷烃含量的模型与芳烃含量的模型,该方法包括以下步骤:
1.)收集建模样品及近红外光谱数据:所述各建模样品为加氢尾油样品,使用近红外光谱仪分别测量、采集所述各建模样品的近红外光谱信息;
2.)建立与校正模型:现有技术近红外光谱分析法中建立与调整近红外定量模型的方法均可用于建立和调整本发明所述定量模型;所述模型为数学模型,由于是吸收光谱,使用郎勃特-比耳(Lambert-Beer)定律来关联吸光度及加氢尾油某一族组成。
化学值采用中国石油科学研究院研制开发的色谱-质谱连用分析方法测定的加氢尾油标准样品族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃与芳烃的质量分数数据,将具有化学值的加氢尾油标准样品分为校正集和验证集,校正集用于建立模型,验证集不参与建模,用于检测模型的准确性;校正集光谱经过选择处理后,采用化学计量学方法中的偏最小二乘法,与对应的化学族组成数据建立定量模型;将建立的定量模型利用德国BRUKER公司的化学计量学软件-Quant2定量分析软件进行处理,选择一个预测残差平方和、阶数、光谱的波段处于最佳的模型光谱预处理方法,再通过偏最小二乘法校正模型;
优选基于下述原理建立与校正所有模型:
选用近红外光谱计量学软件偏最小二乘法(Partial Least Square,以下简称PLS法)建立加氢尾油族组成模型。
所述的PLS法是目前在近红外光谱中应用最多的多元校正方法.PLS法可以用全谱或部分谱数据,在光谱数据降维的同时考虑了被测组分性质阵的作用,即将数据矩阵分解和回归交互结合为一步,得到的特征值向量直接与被测组分或性质相关,而不是与数据矩阵中变化最大的变量相关。如果选择的校正集具有代表性,PLS模型更稳健,且可以使用于复杂的分析体系。
3.)校正模型的验证:对建立的校正模型必须通过验证集样本的测量来判定模型的质量,模型质量的好坏常用下述的几个统计数字来评定:
①残差(e):这是最简单的指标,即
残差=化学值-测定值
式中,化学值——标准样品所测定的数据
测定值——建立的校正模型所测定的数据
最理想的结果是对于一组样品,它们的残差一部分为正值,一部分为负值,残差分布在零点上下。
②相关系数(R):
式中y——通过光谱测量及数学模型预测的结果;
yb——用标准方法测定的结果
的平均值。
③校正集样本的标准偏差:
其中n——建模用的样本数;
m——独立变量数(在此为1)。
④预测集样本的标准偏差:
⑤阶数(Rank)的确定
阶数,即主成分数。阶数常根据预测残差平方和(PRESS)来确定,PRESS越小,说明模型的预测能力越好。
根据PRESS值判断最优阶数的方法为交互验证法(Cross-validarion)。
所说的交互验证法(Cross-validation)是一种极有用的方法。该方法试图使用校正集本身的数据去模拟未知样品集的数据,以期评价模型的实际预测能力。
本发明分别使用所建模型预测样品的族组成,所得结果与化学值进行比较.若样品的族组成含量大于10m%,则所得结果与化学值的残差小于2%;若样品的族组成含量小于等于10m%,则所得结果与化学值的残差应小于1%。
以下通过实施例进一步说明本发明。
加氢尾油标样中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃含量(以下称为化学值)的确定。
化学值采用由中国石油科学研究院研制开发的色谱-质谱连用分析方法完成。本发明对加氢尾油样品族组成中的环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃进行建模。
实施例
步骤1:收集建模样品
1.1收集建立加氢尾油族组成中环烷烃模型的样品,见附图2,即模型I的测定质量分数范围:(20.5~58.3)m%。
1.2收集建立加氢尾油族组成中一环烷烃模型的样品,见附图3,即模型II的测定质量分数范围:(13.4~27.4)m%。
1.3收集建立加氢尾油族组成中二环烷烃模型的样品,见附图4,即模型III的测定质量分数范围:(1.2~18.8)m%。
1.4收集建立加氢尾油族组成中三环烷烃模型的样品,见附图5,即模型IV的测定质量分数范围:(0~12.3)m%。
1.5收集建立加氢尾油族组成中四环烷烃模型的样品,见附图6,即模型V的测定质量分数范围:(2.3~8.3)m%。
1.6收集建立加氢尾油族组成中芳烃模型的样品,见附图7,即模型VI的测定质量分数范围:(0~8.1)m%。
步骤2模型的建立
2.1测试仪器
本方法适用各种型号FT-IR傅里叶变换红外光谱仪.本发明人所用仪器为:
(1)德国BRUKER公司IFS 66/S型红外光谱分析仪
光源能量:9000-11000
分辨率:4.0cm-1
扫描次数:32次
(2)德国布鲁克公司IFS 66/S型红外光谱分析仪附件-透过单元,铟镓砷(InGaAs)检测器
(3)德国布鲁克公司N601-9型控温仪
温度:0-300℃
2.2测试条件
测试环境温度:25±5℃
测试环境湿度:R≤65%
2.3测试样品制作
(1)将样品放入8*2mm玻璃样品池,密封。由Beer定律选择红外光谱仪的附件-透过单元为本类样品的测定方法
(2)所制样品池合格后,待测。
2.4测试步骤
(1)检查测试环境的温、湿度是否符合要求,要在规定的恒温、恒湿条件下操作
(2)FT-IR红外光谱仪开机30分钟后,检查仪器的能量,分辨率、信噪比是否达到仪器给定指标,进行0%、100%透过率及背景噪音扫描。正常后,进入下一步操作
(3)加氢尾油样品池制作,要严格控制样品量及样品池的温度为(50±2)℃,确保族组成含量测定的准确性
(4)设定FT-IR近红外光谱仪波数范围在12000-5000cm-1,并进行背景扫描。扫描正常后,进行样品测试(每个样品分别制5个样品池,即测试5次)
(5)将制好的、合乎要求的待测样品池插入近红外光谱仪的透过单元样品测试支架上,测定近红外吸收光谱图,并存入计算机,待处理
2.5测试结果、计算
对所得加氢尾油的近红外吸收光谱图(包括一个样品的五张谱图),根据化学计量学中最常用的PLS多变量校正方法原理,利用德国BRUKER公司的化学计量学软件-Quant2定量分析软件,分析并建立加氢尾油族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃和芳烃模型
2.5.1模型I的建立
选择(11000~6099.7)cm-1光谱范围为建立模型I的谱段,优选一阶导数法(First Derivative)+拉成直线法(Straight Line Generation)为光谱预处理方法,选用近红外光谱计量学软件偏最小二乘法(PLS法)建立模型I,模型主要指标见表1。
2.5.2模型II的建立
选择(11000~6099.7)cm-1光谱范围为建立模型II的谱段,优选一阶导数法(First Derivative)+矢量归一化法(Vector Normalization)为光谱预处理方法,选用近红外光谱计量学软件偏最小二乘法(PLS法)建立模型II,模型主要指标见表1。
2.5.3模型III的建立
选择(11000~6099.7)cm-1光谱范围为建立模型III的谱段,优选一阶导数法(First Derivative)为光谱预处理方法,选用近红外光谱计量学软件偏最小二乘法(PLS法)建立模型III,模型主要指标见表1。
2.5.4模型IV的建立
选择(11000~6099.7)cm-1光谱范围为建立模型IV谱段,优选一阶导数法(First Derivative)+矢量归一化法(Vector Normalization)为光谱预处理方法,选用近红外光谱计量学软件偏最小二乘法(PLS法)建立模型IV,模型主要指标见表1。
2.5.5模型V的建立
选择(9250.9~7499.8)cm-1光谱范围为建立模型V的谱段,优选拉成直线法(Straight Line Subtraction)为光谱预处理方法,选用近红外光谱计量学软件偏最小二乘法(PLS法)建立模型V,模型主要指标见表1。
2.5.6模型VI的建立
选择(11000~7499.8)cm-1光谱范围为建立模型VI的谱段,优选多元散射校正法(Multiplicative Scattering Correction)为光谱预处理方法,选用近红外光谱计量学软件偏最小二乘法(PLS法)建立模型VI,模型主要指标见表1。
表1环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃与芳烃模型的总体
指标表
步骤3模型的检测
本发明用建立的校正模型对未知样品的预测结果与实测结果进行比较,结果如下。
如附图2,模型I中,当样品环烷烃含量>10m%时,样品数据的残差≤1.3m%。如附图3,模型II中,当样品一环烷烃含量>10m%时,样品数据的残差≤1.2m%。如附图4,模型III中,当样品二环烷烃含量>10m%时,样品数据的残差≤0.9m%;当样品二环烷烃含量≤10m%时,样品数据的残差≤0.6m%。如附图5,模型IV中,当样品三环烷烃含量>10m%时,样品数据的残差≤0.4m%;当样品三环烷烃含量≤10m%时,样品数据的残差≤0.8m%。如附图6,模型V中,当样品四环烷烃含量≤10m%时,样品数据的残差≤0.8m%。如附图7,模型VI中,当样品芳烃含量≤10m%时,样品数据的残差≤0.6m%。
Claims (1)
1.一种用近红外光谱测定加氢尾油环烷烃及芳烃族组成的方法,其特征在于该方法包括测定加氢尾油中环烷烃含量、一环烷烃含量、二环烷烃含量、三环烷烃含量、四环烷烃含量与芳烃含量,该方法包括以下步骤:
1.)收集建模样品及近红外光谱数据:使用近红外光谱仪分别测量、采集各建模用的烯烃相关装置加氢尾油样品的近红外光谱信息;
2.)建立与校正模型:化学值采用色谱-质谱连用分析方法测定的加氢尾油标准样品族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃与芳烃的质量分数数据,将具有化学值的加氢尾油标准样品分为校正集和验证集,校正集用于建立模型,验证集不参与建模,用于检测模型的准确性;校正集光谱经过选择处理后,采用化学计量学方法中的偏最小二乘法,与对应的化学族组成数据建立定量模型;将建立的定量模型利用定量分析软件进行处理,选择一个预测残差平方和、阶数、光谱的波段处于最佳的模型光谱预处理方法,再通过偏最小二乘法校正模型;
3.)校正模型的验证:采用交互验证法来验证建立的校正模型,交互验证是最有用的验证方法,这种方法试图使用校正集本身的数据去模拟未知样品集的数据,以期评价模型的实际预能力;
4.)分别使用所建模型预测样品族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃与芳烃含量,预测结果与色谱-质谱连用分析方法测定的结果进行比较,若样品族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃与芳烃质量分数大于10m%,则预测结果与色谱-质谱连用分析方法测定结果的残差小于2%;若样品族组成中环烷烃、一环烷烃、二环烷烃、三环烷烃、四环烷烃与芳烃质量分数小于等于10m%,则预测结果与色谱-质谱连用分析方法测定结果的残差应小于1%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100978984A CN100451615C (zh) | 2006-11-20 | 2006-11-20 | 用近红外光谱测定加氢尾油环烷烃及芳烃族组成的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100978984A CN100451615C (zh) | 2006-11-20 | 2006-11-20 | 用近红外光谱测定加氢尾油环烷烃及芳烃族组成的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1979132A true CN1979132A (zh) | 2007-06-13 |
CN100451615C CN100451615C (zh) | 2009-01-14 |
Family
ID=38130372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006100978984A Expired - Fee Related CN100451615C (zh) | 2006-11-20 | 2006-11-20 | 用近红外光谱测定加氢尾油环烷烃及芳烃族组成的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100451615C (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111103258A (zh) * | 2018-10-29 | 2020-05-05 | 中国石油化工股份有限公司 | 近红外光谱预测蒸汽裂解汽油中单环芳烃收率模的方法 |
CN112129729A (zh) * | 2020-10-22 | 2020-12-25 | 济南弗莱德科学仪器有限公司 | 一种快速分析液化石油气中烃类和二甲醚含量的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5349188A (en) * | 1990-04-09 | 1994-09-20 | Ashland Oil, Inc. | Near infrared analysis of piano constituents and octane number of hydrocarbons |
CN100509161C (zh) * | 2005-04-29 | 2009-07-08 | 中国石油化工股份有限公司 | 石油烃类裂化催化剂及其制备方法 |
CN100361999C (zh) * | 2006-03-03 | 2008-01-16 | 大连理工大学 | 含硅元素的阳离子发色团及其衍生物 |
-
2006
- 2006-11-20 CN CNB2006100978984A patent/CN100451615C/zh not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111103258A (zh) * | 2018-10-29 | 2020-05-05 | 中国石油化工股份有限公司 | 近红外光谱预测蒸汽裂解汽油中单环芳烃收率模的方法 |
CN112129729A (zh) * | 2020-10-22 | 2020-12-25 | 济南弗莱德科学仪器有限公司 | 一种快速分析液化石油气中烃类和二甲醚含量的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN100451615C (zh) | 2009-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101893561B (zh) | 一种润滑油新油质量近红外光谱快速测定方法 | |
CN1982872B (zh) | 快速检测滴丸剂水分含量的近红外漫反射光谱法 | |
CN100443883C (zh) | 用近红外光谱测定加氢尾油链烷烃族组成的方法 | |
CN104897607A (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
CN105008898A (zh) | 用于组合的libs和ir吸收光谱法研究的系统和方法 | |
CN106932360A (zh) | 便携式近红外光谱食品快速检测与建模一体化系统和方法 | |
CN109669023A (zh) | 一种基于多传感器融合的土壤属性预测方法 | |
CN101216419A (zh) | 一种快速检测黄酒品质指标的方法 | |
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 | |
CN107703097B (zh) | 利用近红外光谱仪构建快速预测原油性质的模型的方法 | |
CN101339150B (zh) | 基于介电谱技术测定汽油辛烷值的方法 | |
CN101726451A (zh) | 一种测定内燃机油粘度指数的方法 | |
CN103115889B (zh) | 由透射红外光谱预测原油硫含量的方法 | |
CN101408501A (zh) | 采用近红外光谱-偏最小二乘法定量检测dna碱基的方法 | |
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 | |
CN101701911A (zh) | 一种检测发酵物料中还原糖含量的方法 | |
CN102338743B (zh) | 一种识别发动机燃料种类和牌号中红外光谱方法 | |
CN100451615C (zh) | 用近红外光谱测定加氢尾油环烷烃及芳烃族组成的方法 | |
US6820013B1 (en) | Method and device for the online analysis of solvent mixtures | |
CN102954946A (zh) | 由红外光谱测定原油硫含量的方法 | |
CN103063599B (zh) | 由透射红外光谱预测原油密度的方法 | |
CN113655027A (zh) | 一种近红外快速检测植物中单宁含量的方法 | |
CN103134764B (zh) | 由透射红外光谱预测原油实沸点蒸馏曲线的方法 | |
Li et al. | A hard modeling approach to determine methanol concentration in methanol gasoline by Raman spectroscopy | |
CN105866065B (zh) | 一种乌洛托品-醋酸溶液中乌洛托品含量分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090114 Termination date: 20151120 |