CZ2022327A3 - Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu - Google Patents
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu Download PDFInfo
- Publication number
- CZ2022327A3 CZ2022327A3 CZ2022-327A CZ2022327A CZ2022327A3 CZ 2022327 A3 CZ2022327 A3 CZ 2022327A3 CZ 2022327 A CZ2022327 A CZ 2022327A CZ 2022327 A3 CZ2022327 A3 CZ 2022327A3
- Authority
- CZ
- Czechia
- Prior art keywords
- additives
- diesel fuel
- nir
- predicting
- concentration
- Prior art date
Links
- 239000000654 additive Substances 0.000 title claims abstract description 79
- 239000002283 diesel fuel Substances 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 title claims abstract description 23
- 230000000996 additive effect Effects 0.000 title claims description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 11
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims abstract description 5
- 238000011161 development Methods 0.000 claims abstract description 4
- 238000004497 NIR spectroscopy Methods 0.000 claims description 13
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 5
- 238000010238 partial least squares regression Methods 0.000 claims description 4
- 239000000523 sample Substances 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000007654 immersion Methods 0.000 claims description 2
- 238000000491 multivariate analysis Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000002596 correlated effect Effects 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000010200 validation analysis Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 239000003502 gasoline Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 239000003350 kerosene Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000004165 Methyl ester of fatty acids Substances 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007728 cost analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 235000019387 fatty acid methyl ester Nutrition 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G, C10K; LIQUEFIED PETROLEUM GAS; ADDING MATERIALS TO FUELS OR FIRES TO REDUCE SMOKE OR UNDESIRABLE DEPOSITS OR TO FACILITATE SOOT REMOVAL; FIRELIGHTERS
- C10L10/00—Use of additives to fuels or fires for particular purposes
- C10L10/08—Use of additives to fuels or fires for particular purposes for improving lubricity; for reducing wear
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G, C10K; LIQUEFIED PETROLEUM GAS; ADDING MATERIALS TO FUELS OR FIRES TO REDUCE SMOKE OR UNDESIRABLE DEPOSITS OR TO FACILITATE SOOT REMOVAL; FIRELIGHTERS
- C10L10/00—Use of additives to fuels or fires for particular purposes
- C10L10/12—Use of additives to fuels or fires for particular purposes for improving the cetane number
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G, C10K; LIQUEFIED PETROLEUM GAS; ADDING MATERIALS TO FUELS OR FIRES TO REDUCE SMOKE OR UNDESIRABLE DEPOSITS OR TO FACILITATE SOOT REMOVAL; FIRELIGHTERS
- C10L10/00—Use of additives to fuels or fires for particular purposes
- C10L10/14—Use of additives to fuels or fires for particular purposes for improving low temperature properties
-
- 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
- G01N33/2835—Specific substances contained in the oils or fuels
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G, C10K; LIQUEFIED PETROLEUM GAS; ADDING MATERIALS TO FUELS OR FIRES TO REDUCE SMOKE OR UNDESIRABLE DEPOSITS OR TO FACILITATE SOOT REMOVAL; FIRELIGHTERS
- C10L2200/00—Components of fuel compositions
- C10L2200/04—Organic compounds
- C10L2200/0407—Specifically defined hydrocarbon fractions as obtained from, e.g. a distillation column
- C10L2200/0438—Middle or heavy distillates, heating oil, gasoil, marine fuels, residua
- C10L2200/0446—Diesel
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G, C10K; LIQUEFIED PETROLEUM GAS; ADDING MATERIALS TO FUELS OR FIRES TO REDUCE SMOKE OR UNDESIRABLE DEPOSITS OR TO FACILITATE SOOT REMOVAL; FIRELIGHTERS
- C10L2290/00—Fuel preparation or upgrading, processes or apparatus therefore, comprising specific process steps or apparatus units
- C10L2290/60—Measuring or analysing fractions, components or impurities or process conditions during preparation or upgrading of a fuel
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Organic Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Combustion & Propulsion (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu představuje analytickou metodu, která zahrnuje přípravu směsi motorové nafty s aditivy v různém poměru a o různé koncentraci, následně se prostřednictvím NIR spektrometru změří spektra vzorků obsahujících motorovou naftu a aditiva a tyto spektra se použijí pro vývoj NIR modelu jako vstupní data pro multivariační statistickou analýzu. Získaná NIR spektra jsou korelována s referenčními hodnotami aditiv, která byla přidána do motorové nafty, a dochází k optimalizaci NIR spektrální oblasti pro využití chemometrických výpočtů a následnému ověření funkčnosti modelu za použití parametrů RMSEC, RMSECV a korelačního koeficientu.
Description
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu
Oblast techniky
Vynález se týká způsobu predikce koncentrace aditiv prostřednictvím NIR modelu v matrici motorové nafty, na základě korelace naměřených NIR spekter a koncentrace vybraného aditiva obsaženého v motorové naftě.
Dosavadní stav techniky
Motorová nafta je v prostředí jednotlivých rafinérií produkována z dílčích komponent (tzv. diesel pool), které svým destilačním rozmezím odpovídají středním destilátům. Zpravidla to bývají směsi hydrogenovaných plynových olejů (atmosférický a vakuový), hydrogenovaný petrolej, alternativní (obnovitelné) suroviny či methylestery mastných kyselin. Komponenty motorové nafty jsou vzájemně míchány v prostředí statického mísiče, kde jsou rovněž přidávána příslušná aditiva pro úpravu vybraných vlastností. Výrobní směs je díky statickému mísiči dokonale homogenizována. V průběhu roku je zastoupení jednotlivých komponent proměnlivé. Vše závisí na druhu zpracovávané ropy, aktuálním stavu výrobních technologií či kvalitativních požadavcích na finální produkt dle aktuální sezóny (letní, přechodová a zimní třída motorové nafty), případně na poptávce konkrétního odběratele. Zimní produkci lze charakterizovat vyšším obsahem hydrogenovaných petrolejů, či např. pro účely dlouhodobého skladování je požadována striktní absence biokomponent.
Detailní složení motorové nafty je charakterizováno pomocí hmotnostních průtokoměrů, které zpravidla udávají počet tun prošlého materiálu za hodinu. Dávkování aditiv, obvykle v hodnotách desítek až stovek mg/kg, je rovněž řízeno prostřednictvím průtokoměrů, přičemž míra dávkování je závislá na provozních zkušenostech a stanovené účinné dávce. Efektivnost účinné dávky, tedy správné dávkování, bývá ověřeno až na základě analytického stanovení konkrétního sledovaného parametru.
Výhodou v tomto ohledu může být systém on-line sledování vybraných parametrů, který umožní bezprostřední kontrolu bez nežádoucího časového prodlení. Tento způsob však nelze použít pro ověření účinnosti některých typů aditiv, které pro svou správnou funkci potřebují dostatečný časový úsek pro zabudování se do matrice motorové nafty. Takovými jsou např. aditiva upravující nízkoteplotní vlastnosti. On-line stanovení nízkoteplotních vlastností je tak provozováno spíše na principu in-line analyzátorů, kdy je daný analyzátor umístěn v těsné blízkosti statického mísiče, analýza probíhá automaticky, avšak v definovaném časovém odstupu. Další problematickou skupinou jsou aditiva, která se kvůli svým malým koncentracím nedávkují kontinuálně, ale jednorázově. V takovémto případě lze účinnost ověřit pouze následným odběrem průměrného vzorku ze skladovací nádrže.
V návaznosti na aktuální změny ve složení matrice motorové nafty, je nezbytné adekvátním způsobem upravit i dávkování jednotlivých aditiv. Cílem je nejen produkovat pouze materiál splňující danou specifikaci, ale zároveň nepřidávat nadbytek aditivačních přípravků. Nadbytek těchto přísad může způsobovat technologické potíže ve formě předávkování, při kterém je účinek již neefektivní, v některých případech dochází až k opačnému účinku aditiva. Rovněž je nutno dodat, že nadbytečné dávkování aditiv je nežádoucí také z ekonomického hlediska. Z obou důvodů je nezbytné disponovat vhodnou metodikou, umožňující co možná nejpřesnější dávkování aditiv, které lze monitorovat v reálném čase. Problematické je rovněž dávkování několika typů aditivačních přísad současně. Většina dosavadních metod je tímto značně ovlivněna.
Z výše uvedených důvodů nelze adekvátním způsobem stanovit koncentraci několika aditiv v motorové naftě současně, nedestruktivně a rychle. Jak již bylo uvedeno výše, smyslem není
- 1 CZ 2022 - 327 A3 motorovou naftu přeaditivovat, ale kontrolovat správnou produkci prostřednictvím on-line monitoringu, která ušetří jak čas, tak finanční náklady.
Tuto problematiku by mohlo řešit využití pokročilých analytických metod, konkrétně NIR spektroskopie, prostřednictvím které je možné charakterizovat látky nedestruktivním způsobem a v on-line režimu. V rafinérském průmyslu je blízká infračervená (NIR) spektroskopie známá již desítky let. Především se tato metoda používá pro stanovení fyzikálních a chemických vlastností a jednotlivých látek v motorové naftě a benzínu. Měření vlastností ropných produktů zaměřující se na oktanové číslo benzínu prostřednictvím NIR spektroskopie popisují autoři v patentu US 5512751 A. Složení palivového oleje se zlepšenými vlastnostmi průtoku za studena je charakterizováno NIR spektroskopií v patentu US 10047314 B2. Autoři patentu WO 2016112004 A1 používají NIR spektroskopii pro charakterizaci ropy, především pro stanovení bodu varu. Stanovení aromátů v uhlovodících NIR spektroskopií bylo využito v patentu US 5370790 A. Nevýhodou všech výše zmíněných patentů je, že se nezaměřují na stanovení koncentrace aditiv v motorové naftě.
Pro stanovení aditiv v palivech bylo popsáno několik řešení. Patenty US 4918020 A, US 5244809 A a US 5358873 A se týkají způsobu stanovení aditiv v automobilovém benzínu. Nevýhodou těchto řešení je, že nejsou použitelné pro stanovení koncentrace aditiv v motorové naftě nebo se nepoužívají ke stanovení metodou NIR spektroskopie.
V publikaci autorů Velvarská a kol. (Near-infrared spectroscopy to determine cold-flow improver concentrations in diesel fuel. Infrared Physics & Technology. 110:103445.), autoři představují stanovení koncentrace aditiva zlepšující nízkoteplotní vlastnosti nafty za použití NIR spektroskopie. Nevýhodou tohoto řešení je, že metodou lze stanovit koncentraci pouze jednoho aditiva v matrici motorové nafty, tedy, predikční model není aplikovatelný na vícero typů aditiv.
Výše uvedené nevýhody alespoň z části odstraňuje způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu.
Podstata vynálezu
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu charakterizovaný tím, že se naměřená NIR spektra vzorků motorové nafty a aditiv použijí pro vývoj a optimalizaci NIR modelu za použití multivariační statistické analýzy, částečné regrese nejmenších čtverců (PLS algoritmu).
Výhodný způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu charakterizovaný tím, že aditiva v motorové naftě jsou analyzována pomocí blízké infračervené spektroskopie s imerzní sondou.
Další výhodný způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu charakterizovaný tím, že vybraná NIR spektrální oblast pro použití multivariační analýzy je 10 000 - 4500 cm-1.
Další výhodný způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu charakterizovaný tím, že jsou současně predikovány koncentrace aditiva upravující nízkoteplotní vlastnosti motorové nafty, aditivum zlepšující mazivostně-vodivostní vlastnosti motorové nafty a aditivum zvyšující cetanové číslo v motorové naftě.
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu vyznačující se tím, že se připraví směsi s motorovou naftou a aditivy v různém poměru a koncentraci, následně se prostřednictvím NIR spektroskopie změří spektra vzorků, obsahující motorovou naftu a aditiva, a tyto spektra se použijí pro vývoj NIR modelu jako vstupní data pro
- 2 CZ 2022 - 327 A3 multivariační statistickou analýzu, částečnou regresi nejmenších čtverců (PLS), získaná NIR spektra jsou korelována s referenčními hodnotami aditiv, která byla přidána do nafty, zvolená NIR spektrální oblast pro využití PLS výpočtů je 1000 - 4500 cm1, následnými parametry RMSEC, RMSECV, externími validačními standardy a testem opakovatelnosti se poté zhodnotí kvalita vyvinutého modelu společně s korelačním koeficientem, jednotlivé parametry RMSEC a RMSECV jsou za použití softwaru vypočítány dle rovnice n- počet vzorků ci - experimentální měření vzorku i, či - odpovídající hodnota získaná pro kalibraci RMSEC, RMSECV
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu zahrnuje tyto jednotlivé kroky:
a) Výběr tří typů aditiv: aditivum upravující nízkoteplotní vlastnosti nafty, aditivum zlepšující mazivostně-vodivostní vlastnosti nafty a aditivum zvyšující cetanové číslo;
b) Volba koncentrací a vzájemných poměrů jednotlivých typů aditiv přimíchávaných do motorové nafty a jejich dávkování;
c) Měření NIR spekter vzorků obsahující motorovou naftu a tři typy aditiv současně, v NIR oblasti 10000 - 4000cm1;
d) Výběr NIR spektrální oblasti 10000-4500 cm1 a její korelace s referenční hodnotou koncentrací aditiv pro multivariační statistickou analýzu;
e) Aplikace multivariační statistické analýzy, částečné regrese nejmenších čtverců (PLS) a následně použití diagnostických parametrů jako střední kvadratická chyba kalibrace (RMSEC), střední kvadratická chyba křížové validace (RMSECV) a počet faktorů metodou PRESS pro charakterizaci vyvinutého NIR modelu; Korelování získaných hodnot NIR spektroskopií s koncentrací aditiv prostřednictvím metody PLS za vytvoření NIR modelu a následně;
f) Použití NIR modelu a validačních standardů pro ověření funkčnosti modelu;
Prostřednictvím výše uvedeného způsobu lze tento vynález uplatnit v rámci on-line monitoringu pro stanovení koncentrací aditiv v rafmerském provozu při míchání a produkci motorové nafty s dostatečnou přesností pro jednotlivé typy aditiv.
V porovnání s dosavadními způsoby má způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu podle vynálezu výhodu v tom, že (i) lze stanovit koncentraci tří typů aditiv v motorové naftě současně, (ii) umožňuje rychlou, nedestruktivní a nízkonákladovou analýzu aditiv (iii), umožňuje aplikaci NIR modelu na přenosný NIR spektrometr (iv), umožňuje použití vyvinutého NIR modelu v rámci online monitoringu.
-3 CZ 2022 - 327 A3
Objasnění výkresů
Vynález je blíže objasněn za využití následujících výkresů:
Na obrázku 1 je znázorněn NIR model pro aditivum upravující mazivostně-vodivostní vlastnosti v matrici motorové nafty.
Na obrázku 2 je znázorněn NIR model pro aditivum upravující nízkoteplotní vlastnosti v matrici motorové nafty.
Na obrázku 3 je znázorněn NIR model pro aditivum zvyšující cetanové číslo v matrici motorové nafty.
Příklady uskutečnění vynálezu
Příklad 1
Byl vytvořen NIR model pro mazivostně-vodivostní aditivum z 221 kalibračních a 10 externích validačních standardů. Použité vzorky byly tvořeny motorovou naftou, která obsahovala minimálně tři typy aditiv. Předpovědní NIR model byl vytvořen s použitím metody částečných nejmenších čtverců (PLS). NIR spektrum v rozmezí 10 000 - 4 500 cm-1 bylo zvoleno jako optimální pro vytvoření modelu. Parametr RMSEC byl vypočítán na 8,1 (mg.kg-1) s korelací 0.9881 a parametr RMSECV 28.0 (mg.kg-1). Počet faktorů byl prostřednictvím parametru PRESS optimalizován na 15. Kvalita vyvinutého NIR modelu byla ověřena prostřednictvím externích validačních standardů a testem opakovatelnosti. Relativní směrodatná odchylka činila 8,1 % pro koncentraci aditiv v rozmezí 65-285 (mg.kg-1).
Příklad 2
Byl vytvořen NIR model pro aditivum upravující nízkoteplotní vlastnosti ze 170 kalibračních a 10 externích validačních standardů. Použité vzorky byly tvořeny motorovou naftou, která obsahovala minimálně tři typy aditiv. Předpovědní NIR model byl vytvořen s použitím metody nejmenších čtverců (PLS). Parametr RMSEC byl vypočítán na 5,4 (mg.kg-1) s korelací 0.9793 a parametr RMSECV 17,7 (mg.kg-1). Počet faktorů byl prostřednictvím parametru PRESS optimalizován na 10. Relativní směrodatná odchylka činila 7,8 % pro koncentraci aditiv v rozmezí 65-180 (mg.kg-1).
Příklad 3
Byl vytvořen NIR model pro aditivum zvyšující cetanové číslo ze 72 kalibračních a 10 externích validačních standardů. Použité vzorky byly tvořeny motorovou naftou, která obsahovala minimálně tři typy aditiv. Předpovědní model byl vytvořen s použitím metody částečných nejmenších čtverců. Parametr RMSEC byl vypočítán na 5,6 (mg.kg-1) s korelací 0.9983 a parametr RMSECV 48,6 (mg.kg-1). Počet faktorů byl prostřednictvím parametru PRESS optimalizován na 13. Relativní směrodatná odchylka činila 7,9 % pro koncentraci aditiv v rozmezí 65-450 (mg.kg-1).
Průmyslová využitelnost
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu je využitelný pro kontrolu správné produkce motorové nafty v rafinérském průmyslu. Tento vynález lze aplikovat v provozu, zejména pro on-line monitoring v průběhu aditivace motorové nafty, a tím
- 4 CZ 2022 - 327 A3 kontrolovat kvalitu finálního produktu. Tímto krokem lze cíleně korigovat průtok aditiv při míchání středních destilátů a předejít produkci nevyhovující motorové nafty.
Claims (4)
1. Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu, vyznačující se tím, že se naměřená NIR spektra vzorků motorové nafty a aditiv použijí pro 5 vývoj, a optimalizaci NIR modelu za použití multivariační statistické analýzy, částečné regrese nejmenších čtverců (PLS algoritmu).
2. Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu podle nároku 1, vyznačující se tím, že aditiva v motorové naftě jsou analyzována pomocí blízké infračervené spektroskopie s imerzní sondou.
10
3. Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu podle nároku 1 a 2, vyznačující se tím, že vybraná NIR spektrální oblast pro použití multivariační analýzy je 10 000 - 4500 cm-1.
4. Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu podle nároku 1 až 3, vyznačující se tím, že jsou současně predikovány koncentrace aditiva 15 upravující nízkoteplotní vlastnosti motorové nafty, aditivum zlepšující mazivostně -vodivostní vlastnosti motorové nafty a aditivum zvyšující cetanové číslo v motorové naftě.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CZ2022-327A CZ310013B6 (cs) | 2022-08-02 | 2022-08-02 | Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CZ2022-327A CZ310013B6 (cs) | 2022-08-02 | 2022-08-02 | Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CZ2022327A3 true CZ2022327A3 (cs) | 2024-02-14 |
| CZ310013B6 CZ310013B6 (cs) | 2024-05-08 |
Family
ID=89843236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CZ2022-327A CZ310013B6 (cs) | 2022-08-02 | 2022-08-02 | Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu |
Country Status (1)
| Country | Link |
|---|---|
| CZ (1) | CZ310013B6 (cs) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5681749A (en) * | 1992-03-27 | 1997-10-28 | Chevron U.S.A. Inc. | Controlling acid concentration in a hydrocarbon process |
| US5596196A (en) * | 1995-05-24 | 1997-01-21 | Ashland Inc. | Oxygenate analysis and control by Raman spectroscopy |
| US7404411B2 (en) * | 2005-03-23 | 2008-07-29 | Marathon Ashland Petroleum Llc | Method and apparatus for analysis of relative levels of biodiesel in fuels by near-infrared spectroscopy |
| CN103398970B (zh) * | 2013-07-24 | 2015-09-16 | 骆驰 | 一种定性和定量分析食用油并进而检测地沟油的方法 |
-
2022
- 2022-08-02 CZ CZ2022-327A patent/CZ310013B6/cs unknown
Also Published As
| Publication number | Publication date |
|---|---|
| CZ310013B6 (cs) | 2024-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11441088B2 (en) | Controlled blending of transmix fractions into defined hydrocarbon streams | |
| AU655414B2 (en) | Process and apparatus for analysis of hydrocarbons by near-infrared spectroscopy | |
| US7404411B2 (en) | Method and apparatus for analysis of relative levels of biodiesel in fuels by near-infrared spectroscopy | |
| JP5467050B2 (ja) | 製造した石油製品の組成および特性変数の証明方法 | |
| Aleme et al. | Determination of flash point and cetane index in diesel using distillation curves and multivariate calibration | |
| AU701755B2 (en) | A method for characterizing feeds to catalytic cracking process units | |
| US6662116B2 (en) | Method for analyzing an unknown material as a blend of known materials calculated so as to match certain analytical data and predicting properties of the unknown based on the calculated blend | |
| MX2007003004A (es) | Metodo para hacer un ensayo a una corriente de alimentacion que contiene hidrocarburos. | |
| CN101413885A (zh) | 一种快速定量蜂蜜品质的近红外光谱方法 | |
| CN112782146B (zh) | 一种基于拉曼光谱的汽油烯烃含量分析方法 | |
| Barra et al. | Discrimination and quantification of moroccan gasoline adulteration with diesel using Fourier transform infrared spectroscopy and chemometric tools | |
| CN105319179A (zh) | 一种利用中红外光谱预测脱硫胺液中硫化氢含量的方法 | |
| Aleme et al. | Determination of specific gravity and kinematic viscosity of diesel using distillation curves and multivariate calibration | |
| CN102954946B (zh) | 由红外光谱测定原油硫含量的方法 | |
| CN103115889A (zh) | 由透射红外光谱预测原油硫含量的方法 | |
| Vráblík et al. | Rapid Models for Predicting the Low‐Temperature Behavior of Diesel | |
| Hradecká et al. | Rapid determination of diesel fuel properties by near-infrared spectroscopy | |
| EP3861320B1 (en) | Systems and methods for implicit chemical resolution of vacuum gas oils and fit quality determination | |
| CZ2022327A3 (cs) | Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu | |
| Brown et al. | Optimised determinations of water in ethanol by encoded photometric near-infrared spectroscopy: A special case of sequential standard addition calibration | |
| CN101893560B (zh) | 一种汽油锰含量快速测定方法 | |
| Alves et al. | Near-infrared spectroscopy in analysis of crudes and transportation fuels | |
| US11999916B2 (en) | Methods of blending off transmix into gasoline streams | |
| Gilbert et al. | Comparison of NIR and NMR spectra chemometrics for FCC feed online characterization | |
| Sihlovec et al. | The use of multivariate statistics and mathematically modeled IR spectra for determination of HVO content in diesel blends |