DE69307926T2 - Verfahren zur voraussage der cetanzahlen von gasölen - Google Patents
Verfahren zur voraussage der cetanzahlen von gasölenInfo
- Publication number
- DE69307926T2 DE69307926T2 DE69307926T DE69307926T DE69307926T2 DE 69307926 T2 DE69307926 T2 DE 69307926T2 DE 69307926 T DE69307926 T DE 69307926T DE 69307926 T DE69307926 T DE 69307926T DE 69307926 T2 DE69307926 T2 DE 69307926T2
- Authority
- DE
- Germany
- Prior art keywords
- data
- network
- cetane number
- cetane
- gas oils
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000003921 oil Substances 0.000 title claims description 50
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 13
- 238000002835 absorbance Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000010521 absorption reaction Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000008033 biological extinction Effects 0.000 claims description 2
- 238000010561 standard procedure Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 abstract description 26
- 238000007619 statistical method Methods 0.000 abstract description 2
- 239000000446 fuel Substances 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 9
- QPUYECUOLPXSFR-UHFFFAOYSA-N 1-methylnaphthalene Chemical compound C1=CC=C2C(C)=CC=CC2=C1 QPUYECUOLPXSFR-UHFFFAOYSA-N 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000002283 diesel fuel Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004523 catalytic cracking Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000012864 cross contamination Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- DCAYPVUWAIABOU-UHFFFAOYSA-N hexadecane Chemical compound CCCCCCCCCCCCCCCC DCAYPVUWAIABOU-UHFFFAOYSA-N 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
Classifications
-
- 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
- G01N33/2829—Mixtures of fuels
-
- 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
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Spectrometry And Color Measurement (AREA)
- Sampling And Sample Adjustment (AREA)
- Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Description
- Die vorliegende Erfindung bezieht sich auf ein Verfahren zur Voraussage der Cetanzahl eines Gasöls durch Korrelation seines (nahen) Infrarotspektrums ((N).I.R.) mit der Cetanzahl. Wie Fachleuten bekannt ist, haben organische Verbindungen im infraroten Bereich (etwa 1 bis etwa 300 µm) einen einzigartigen spektralen Fingerabdruck.
- Neuere Markttrends für Massentreibstoffe legen mehr Gewicht auf die Qualität und Leistungseigenschaften des Produktes. Ganze Marketingkampagnen werden aufgezogen, um den Kunden davon zu überzeugen, daß ein Treibstoff spürbar besser arbeitet als ein anderer, und es ist zu erwarten, daß sich diese Philosophie fortsetzt. Dieser Lösungsansatz muß durch eine volle Qualitätssicherung unterstützt werden, vom Raffinieren über das Mischen bis zur Abgabe an den Konsumenten. Diese Anforderung kann am besten unter Verwendung qualitätsüberwachender Instrumente erfüllt werden, um die Leistungseigenschaften des Kraftstoffes zu messen.
- Derzeit gibt es nach dem Verlassen der Raffinerie im allgemeinen keine fortlaufenden quantitativen Überprüfungen am Kraftstoff, um zu sehen, ob er weiterhin innerhalb der Spezifikation liegt: Er wird lediglich manuell auf Klarheit und Geruch überprüft und hat seine angegebene Dichte. Dies ist angesichts der hochkomplexen Natur moderner fortschrittlicher Kraftstoffe nicht genug. Es wäre daher ein Qualitätsüberwachungsinstrumentenpaket von Vorteil, welches tatsächlich die Leistungsdaten von Kraftstoffen mißt, so daß eine Verschlechterung des Kraftstoffes, eine gegenseitige Verunreinigung mit anderen Kraftstoffen und Veränderungen in der Kraftstoffzusammensetzung erkannt und in der Vertriebskette lokalisiert werden könnten. Dies gewährleistet nicht nur, daß der Kunde den Kraftstoff genau so wie gewünscht erhält, sondern es können auch Probleme entlang der Vertriebskette gefunden und angegangen werden.
- Ein wichtiges Leistungsmaß eines Kraftstoffes wie Gasöl ist die Cetanzahl, welche eine Größe ist, die die Zündeigenschaften von Dieselöl angibt. Es gibt Maschinen zum Messen der Cetanzahl.
- Es werden Referenzkraftstoffe in derselben Weise verwendet wie für die Bestimmung der Oktanzahl von Motorbenzin. Diese Referenzkraftstoffe sind n-Cetan und α-Methylnaphthalin. Die Zündqualität wird als die Cetanzahl ausgedrückt, welche der Volumsprozentsatz an Cetan in einer Mischung mit α-Methylnaphthalin ist, deren Zündleistung jener des Kraftstoffes in der Testmaschine entspricht. In der Praxis werden Cetanmaschinen selten verwendet, und Cetan wird normalerweise als "Cetanindex" aus anderen Messungen, z.B. der Dichte und Destillation, berechnet. Der Cetanindex kann jedoch für zukünftige Dieselkraftstoffe nicht geeignet sein, und eine alternative Meßmethode für die Cetanzahl ist erforderlich.
- Darüber hinaus wurde bereits vorgeschlagen, die Cetanzahl von Gasöl als Funktion des nahen Infrarotspektrums (N.I.R) zu bestimmen (siehe z.B. EP-A-0 304 232).
- Bis heute war es jedoch nicht möglich, die Cetanzahl von Gasöl aus seinem Infrarotspektrum (einschließlich des nahen und des mittleren Infrarots) vorherzusagen (vorteilhafterweise wird eine Wellenlänge von 0,78 bis 30 µm angewendet).
- Es ist daher ein Ziel der Erfindung, ein Verfahren zur Vorhersage der Cetanzahl unbekannter Gasöle zu schaffen, bei welchem die Cetanzahl eines Mischproduktes und von Prozeßströmen in einem großen Bereich von Cetanzahlen vorhergesagt werden kann.
- Die Erfindung schafft daher ein Verfahren zur Vorhersage der Cetanzahlen von Gasölen, mit den Schritten:
- a) Messen des Infrarotspektrums einer Mehrzahl von Sätzen von Gasölen;
- b) Auswählen eines Bereiches von Wellenzahlen im Spektralbereich; und Umwandeln einer Anzahl der in Rede stehenden Wellenlängen in Absorptionsdaten und Verwenden der Absorptionsdaten als Eingabe für ein neuronales Netzwerk; gekennzeichnet durch:
- c) Analysieren der Spektraldaten unter Verwendung eines neuronalen Netzwerkes, wobei die Anzahl der Schichten des neuronalen Netzwerkes 2 bis 5 beträgt, und, im Falle von 3 oder mehr Schichten, die Anzahl von Knoten der Eingangsschicht 3 bis 10 beträgt, die Anzahl der Knoten der verborgenen Schicht(en) 1 bis 10 beträgt, und die Anzahl der Knoten der Ausgangsschicht 1 bis 3 beträgt;
- d) Bestimmen der Cetanzahl des Gasöls durch herkömmliche Messung;
- e) Auswählen eines Trainingsdatensatzes mit gemessenen Infrarotdaten und herkömmlich gemessenen Cetanzahldaten und Korrelieren der erhaltenen dekadischen Extinktionswerte mit der Cetanzahl, Erzeugen eines Satzes von Voraussagedaten; und anschließendes
- f) Anwenden dieser Daten auf Infrarotspektren, die unter denselben Bedingungen für Gasöle unbekannter Cetanzahl aufgenommen wurden, um dadurch die Cetanzahl eines unbekannten Gasöls zu erhalten.
- Wie im Vorangehenden bereits angedeutet, basiert die Erfindung auf dem Prinzip der Korrelation der Cetanzahl eines Gasöls mit seinem Infrarotspektrum. Dieses Prinzip ist an sich bekannt (z.B. aus der EP-A-0 304 232 und der EP-A-0 285 251) und wird nicht näher beschrieben. Es sei angemerkt, daß RD 327135 die Verwendung eines neuronalen Netzwerkes zur Bestimmung der Oktanzahl eines Benzins offenbart. Die speziellen neuronalen Netzwerke zur Bestimmung der Cetanzahl gemäß der vorliegenden Erfindung wurden jedoch nicht vorgeschlagen.
- Gemäß der Erfindung wird das Infrarotspektrum eines großen Satzes von Gasölen (vorteilhafterweise zumindest 100) aus einer großen Vielzahl verschiedener Quellen gemessen. Komponenten aus verschiedenen Sekundärumwandlungsprozessen können vorhanden sein.
- Die große Vielzahl unterschiedlicher Quellen ist wichtig, weil sie die Allgemeingültigkeit und Anwendbarkeit jeglichen darauffolgenden statistischen Voraussagewerkzeuges bestimmt.
- Der verwendete Spektralbereich sind Wellenzahlen von 9000- 4500 für fertige oder vollständig gemischte Gasöle. Eine Messung der Cetanzündverbesserungskonzentration ist ebenfalls erforderlich (Wellenzahlen 1600-1700, vorteilhafterweise Wellenzahl 1630), weil dies die Cetanzahl beeinflußt.
- Für einen Einsatz bei Umwandlungsprozeßströmen, für eine Echtzeitprozeßsteuerungswendung, beträgt der Spektralbereich ebenfalls Wellenzahlen 9000-4500.
- Die Spektren werden dann unter Verwendung eines neuronalen Netzwerkes analysiert, zusammen mit Bestimmungen der Cetanzahl durch herkömmliche Testmaschinenmessungen, unter Verwendung multivarianter statistischer Techniken, die an sich bekannt sind, z.B. die Methode der teilweisen kleinsten Quadrate (Partial Least Squares), multiple lineare Regression, Regression reduzierter Ordnung (Reduced Rank Regression), Analyse der Hauptkomponenten (Principle Components Analysis) od.dgl.
- In der Folge werden Voraussagedaten erzeugt, die anschließend auf die Infrarotspektren angewendet werden können, welche unter denselben Bedingungen für Gasöle unbekannter Cetanzahl aufgenommen wurden.
- Standardfehler der Voraussage wurden erzielt von kleiner als 0,4 Cetanzahlen.
- Die allgemeine Theorie und allgemeine Funktionsweise neuronaler Netzwerke ist Fachleuten an sich bekannt und wird daher nicht im Detail beschrieben.
- Im allgemeinen kann ein neuronales Netzwerk als ein System definiert werden, bei welchem in einer Lernphase nach einer Korrelation zwischen Eingangs- und Ausgangsvariablen gesucht wird. Nachdem ausreichende Beispiele dem neuronalen Netzwerk in dieser Lernphase angeboten worden sind, ist es in der Lage, die relevante Ausgabe für eine zufällige Eingabe zu erzeugen. Neuronale Netzwerke haben Anwendungen z.B. bei Mustererkennungsproblemen gefunden.
- Wie der Fachmann weiß, sind neuronale Netzwerke aus Schichten von Verarbeitungselementen (ähnlich den Neuronen des Gehirns) aufgebaut, von denen jedes gewichtet und mit Elementen in anderen Schichten verbunden ist (ähnlich den Synapsen des Gehirns). Ein Netzwerk lernt Muster durch Anpassung der Gewichtungen zwischen den Elementen, während es mit genauen qualifizierten Daten trainiert wird.
- Gemäß einem vorteilhaften Lernalgorithmus werden Lernfehler, d.h. die Differenz zwischen dem tatsächlichen und dem vorhergesagten Ergebnis, rückwärts durch das Netzwerk zu den verborgenen Schichten weitergeleitet, welche kein Feedback von den Trainingsmustern erhalten. Die Gewichtungen der gegenseitigen Verbindungen werden in kleinen Schritten in Richtung des Fehlers angepaßt, um die Fehler zu minimieren, und die Übungsdaten werden dann erneut durchlaufen. Dies geschieht viele Male, bis der Fehler einen akzeptablen Pegel erreicht, welcher üblicherweise die Wiederholbarkeit der Anfangsmessung ist.
- Wie im Vorangehenden bereits angedeutet, sind multivanante statistische Verfahren zur Datenanalyse als solche bekannt, aber zu Zwecken der Klarheit wird hier eine ausführlichere Beschreibung der Analyse infraroter Spektraldaten unter Verwendung der Hauptkoinponentenanalyse (Principal Component Analysis) gegeben.
- Bei der oben genannten Vorhersage wird ein Trainingssatz als jene Gasöle definiert, deren Spektren und "maschinengemesseneiv Cetanwerte bei der Analyse und Erzeugung der Vorhersagedaten verwendet werden, welche beispielsweise dazu verwendet werden können, um die Cetanzahl eines unbekannten Gasöls zu bestimmen. Die Auswahl dieses Trainingssatzes ist klarerweise von Bedeutung, weil sie kritisch die Allgemeingültigkeit und Vorhersageleistung der Daten beeinflußt. Die Datenanalyse an dem Satz von Spektren, welche den Gasölen des Trainingssatzes entsprechen, wird in der folgenden Weise durchgeführt:
- 1. Das gemittelte Spektrum des Satzes wird erzeugt und die Differenzen zwischen jedem einzelnen Spektrum und dem Mittelwert werden berechnet.
- 2. Das Mittelwertspektrum liegt in der Größenordnung von 5000 Datenpunkten und so ist das Problem der Analyse eines Satzes von 100 Gasölen sehr schwierig. Es ist ein Verfahren erforderlich, um eine Datenreduktion auf eine handhabbare Anzahl von Problemvariablen zu ermöglichen. Es wird ein Satz von künstlichen Spektren durch gleichzeitige Analyse der verschiedenen Spektren berechnet, so daß die Varianz in den Daten durch diese künstlichen Spektren erklärt werden kann. Die Differenzspektren werden hier als die arithmetischen Differenzen in der dekadischen Extinktion zwischen dem Mittelwertspektrum des Gasölsatzes und jedem einzelnen Gasölspektrum definiert. Die künstlichen Spektren sind als Hauptkomponenten (Principal Components) bekannt und rekonstruieren, wenn sie im richtigen Verhältnis zum Mittelwertspektrum addiert werden, die einzelnen Gasölspektren. Beispielsweise wäre eine typische Anzahl von Hauptkomponenten 10, und so können die ursprünglichen Gasölspektren durch Addition entsprechender Beiträge jeder Hauptkomponente zum Mittelwert rekonstruiert werden. Der Beitrag, der auf jede Hauptkomponente zurückzuführen ist, ist als der Hauptkomponentenwert bekannt, und die Werte werden für jedes Gasöl verschieden sein.
- 3. Die Information in den Gasölspektren wurde somit von 5000 Datenpunkten für jedes einzelne auf 10 Hauptkomponentenwerte reduziert. Diese Werte können mit den maschingemessenen Cetanzahlen unter Verwendung eines Verfahrens wie der multiplen linearen Regression korreliert werden.
- 4. Die anschließende Analyse eines unbekannten Gasöls erfordert das Messen seines Spektrums und dann die spektrale Beschreibung mit Hilfe der Hauptkomponenten, die zuvor zur Beschreibung des Trainingssatzes von Gasölspektren verwendet wurden. Dies führt zu einem Satz von Hauptkomponentenwerten für das unbekannte Gasöl. Die Koeffizienten der früheren multiplen linearen Regressionskorrelation können dann auf die Hauptkomponentenwerte des Spektrums des unbekannten Gasöls angewandt werden, was die Cetanzahl des unbekannten Gasöls liefert.
- 5. Die Analyse im Falle der neuronalen Netzwerktechnologie unterscheidet sich von dem vorangehenden, weil die Datenreduktion durch physische Reduktion der Anzahl gemessener Wellenlängen durchgeführt wird. Die Datenreduktion erfolgt in der vorliegenden Weise: Es wird eine Hauptkomponentenanalyse auf den Trainingssatz von Gasölen angewandt, um ein "Eigenschaftsspektrum" zu erzeugen, welches die relative Bedeutung jedes Spektraldatenpunktes bezüglich der Korrelation mit der Cetanzahl darstellt. Die Spektralmessung wird dann auf diskrete Wellenlängen vereinfacht, typischerweise in einer Anzahl von 5 bis 10.
- Eine der Wellenlängen wird vorteilhafterweise als Transmissionsreferenz verwendet, um allfällige Instrumentenfehler zu korrigieren.
- Die verbleibenden Wellenlängen, korrigiert um die Referenz, werden in Absorptionsdaten umgewandelt. Dies kann logorithmisch erfolgen, und die Daten können innerhalb vorgegebener Grenzen für jede Wellenlänge mathematisch skaliert werden. D.h. es werden Extremwerte, die für beide Kraftstoffe, bzw. - wahrscheinlicher - Prozeßströme, erwartet werden, dazu verwendet, den Bereich akzeptabler dekadischer Extinktionswerte bei jeder Wellenlänge zu erzeugen, gegen welche die Skalierung für den zu testenden Kraftstoff vorgenommen werden kann. Die dekadischen Extinktionswerte werden als Eingabe für das neuronale Netzwerk verwendet. Das neuronale Netzwerk führt eine Mustererkennungsaufgabe durch, und die Anwendung hier ist klarerweise, das Muster in den spektralen Daten bezüglich der Cetanzahl zu erkennen. Bevor das neuronale Netzwerk dazu verwendet wird, die Cetanzahl unbekannter Gasöle vorherzusagen, muß es "trainiert" werden. Die Art des Trainings besteht darin, den "Trainingssatz" für ein Netzwerk auszuwählen, dessen Größe und Architektur so ausgelegt worden sind, daß sie zu dem Erkennungsproblem passen. Während der Trainingsphase werden dem neuronalen Netzwerk wiederholt Infrarotdaten und maschingemessene Cetanzahlen für jedes der Gasöle präsentiert, und die Beziehung wird "gelernt". Die Art des "Lernens" besteht darin, daß bei jeder Präsentation der Infrarotdaten vom neuronalen Netzwerk eine Vorhersage der Cetanzahl gemacht wird, welche mit dem Maschinenwert verglichen wird, und die Differenz wird als Feedback zur Korrektur des neuronalen Netzwerkes für seine nächste Vorhersage verwendet. Sobald das neuronale Netzwerk die Beziehung "gelernt" hat, sollte der Datensatz in einen weiteren Trainingssatz und einen Validierungssatz aufgeteilt werden, der in der "Lern"-Phase nicht verwendet wird. Dieser Vorgang setzt sich fort, bis das Netzwerk ausreichend "gelernt" hat und die Vorhersagezehler den Unsicherheiten der maschinellen ursprünglichen Cetanzahlbestimmung vergleichbar sind. Sobald diese Phase abgeschlossen ist, kann das neuronale Netzwerk dazu verwendet werden, die Cetanzahl eines unbekannten Gasöls nach Messung der infraroten Spektraldaten bei Wellenlängen, die während des Trainings verwendet worden sind, vorherzusagen.
- Im speziellen werden die genannten Vorhersagedaten durch Trainieren des neuronalen Netzwerkes auf den gesamten Datensatz durch wiederholte Präsentation von Eingängen und bekannten Ausgängen, d.h. Infrarotdaten für das Gasöl und relevante Cetanzahldaten, um die Beziehung zwischen den beiden zu lernen, und Überwachen der Leistungsfähigkeit seiner Vorhersage gegenüber den tatsächlichen relevanten Cetanzahldaten, wie sie durch Standardverfahren für die Trainingsdaten gemessen wurden, und somit durch Korrelieren der dekadischen Extinktionswerte mit der Cetanzahl; durch Erzeugen eines Satzes von Verbindungsgewichtungen und -abgleichen des Netzwerkes, wie es nach der Lernphase eingestellt ist; und durch Anlegen dieser eingestellten Werte unter Verwendung des Netzwerkalgorithmus an Infrarotspektren, die unter denselben Bedingungen von Gasölen unbekannter Cetanzahl genommen wurden, erzeugt.
- Vorteilhafterweise besitzt das verwendete Netzwerk eine Dreischichtenarchitektur, welche beispielsweise in einer ersten Schicht vier Eingangsknoten, zwei verborgene Knoten in einer zweiten Schicht zwischen dem Eingang und dem Ausgang und in einer dritten Schicht einen Ausgangsknoten aufweist. Dies wird als (4, 2, 1)-Netzwerk bezeichnet. Die Spektraldaten werden als Eingabe den Eingangsknoten dargeboten, wogegen die Produktqualitätsinformation die Ausgabe ist.
- Wie Fachleuten bekannt ist, besitzen die Knoten bestimmte Gewichtungen ihrer gegenseitigen Verbindungen und können auch einen Abgleich aufweisen.
- Die Gewichtungen und Abgleiche des Netzwerkes können gespeichert und dazu verwendet werden, die Eingangsdaten zu analysieren, welche gemessene infrarote dekadische Extinktionen umfassen, und das Muster mit der Cetanzahl eines Gasöls zu korrelieren. Somit sind für eine Vorhersage, welche den Netzwerkalgorithmus verwendet, um die Cetanzahl aus Infrarotdaten zu bestimmen, wichtige Parameter, die trainiert und erfolgreich gegenüber dem Validierungssatz getestet worden sind, die Gewichtungen der gegenseitigen Verbindungen zwischen den Knoten und die Abgleiche an den verborgenen Knoten und Ausgangsknoten.
- Diese können abgefragt und dann in dem Netzwerkalgorithmus für die Cetanzahlanalyse zukünftiger Kraftstoffproben implementiert werden.
- Für vielfache Ausgaben wird ein neuronaler Netzwerkalgorithmus für jeden Ausgang implementiert. Die Implementierung erfolgt durch Softwarecode auf einem Mikroprozessorchip und ist daher flexibel gegenüber jeglichen Veränderungen der Netzwerkparameter, welche einfach neu programmiert werden können.
- Für Fachleute ist ersichtlich, daß die angewandten Netzwerkarchitekturen in der genauen Anzahl der Knoten, die in jeder Schicht vorhanden sind, oder sogar in der Anzahl der tatsächlichen Schichten variieren können. Vorteilhafterweise werden zwei bis fünf Schichten angewandt.
- Gemäß der Erfindung liegt die Anzahl der Knoten der Eingangsschicht im Bereich von 3-10, die Anzahl der Knoten der verborgenen Schicht(en) im Bereich von 1-10, und die Anzahl der Knoten der Ausgangsschicht im Bereich von 1-3. Genauer gesagt könnten (3, 5, 1)-, (6, 6, 3)- und (6, 6, 6, 3)-Netzwerke verwendet werden.
- Das Verfahren der Erfindung wird nun unter Bezugnahme auf die folgenden Beispiele beschrieben:
- Ein Trainingssatz aus 20 gemischten Gasölen, die aus verschiedenen Raffinerien gesammelt wurden, wurde im infraroten Spektralbereich mit der Wellenzahl 9000-4500 gemessen. Die Proben wurden alle im Hinblick auf ihre Cetanzahlen unter Verwendung des Verfahrens ASTM D613 beurteilt, welches eine "Cetanmaschine" verwendet. Der Trainingssatz wurde in der oben beschriebenen Weise analysiert. Die Analyse unter Verwendung der Hauptkomponenten zur Beschreibung der Daten durch "künstliche Spektren" wird durchgeführt und liefert die ersten drei Hauptkomponentenspektren im Bereich der Wellenzahlen 6400-4800. Der Trainingssatz, der in diesem Beispiel verwendet wurde, erforderte fünf Hauptkomponenten, und das Ergebnis zeigte eine Korrelation zwischen den maschinengemessenen Cetanzahlen und der Infrarotvorhersage der Cetanzahlen von 0,94 und Standardfehler der Vorhersage von kleiner als 0,4 Cetanzahlen. Die Verwendung neuronaler Netzwerke für die Vorhersage der Cetanzahlen anstelle der obigen Analyse beginnt für den ersten Trainingssatz mit einer Hauptkomponentenanalyse, um ein Eigenschaftsspektrum zu erzeugen, aus dem wichtige, diskrete Wellenlängen identifiziert werden können. Der darauffolgend verwendete neuronale Netzwerkansatz würde mit der Messung der Trainingssatzinfrarotdaten bei jenen Wellenlängen beginnen, die in dieser Analyse identifiziert wurden.
- Ein Trainingssatz aus 11 Gasölmischkomponenten, z.B. Leichtöl aus dem katalytischen Crackkreislauf, Straight-Run- Destillat, mit Cetanzahlen in einem breiten Bereich von 20 bis 60 wird dazu verwendet, um die Anwendungsbreite der Infrarotcetanzahlbestimmung zu demonstrieren. Die Infrarotspektren werden in dem Wellenzahlenbereich 9000-4500 gemessen. Vorhersagedaten, welche drei Hauptkomponenten verwenden, werden in der Art der angegebenen Prozedur erzeugt. Ein Korrelationskoeffizient von 0,99 zwischen den vorhergesagten Werten und den gemessenen Werten der Cetanzahl wird erreicht. Eine Kreuzvalidierung liefert einen guten Indikator für die Vorhersageleistung bei unbekannten Kraftstoffen. Der Datensatz bei diesem Beispiel liefert Ergebnisse mit Standardfehlern der Vorhersage von besser als 0,9. Diese Leistung ist geringer als bei dem vorherigen Beispiel und gibt den kleineren Trainingssatz und den breiteren Cetanzahlbereich der Kraftstoffe wider. Ein größerer Trainingssatz würde diesen Wert auf mit dem Beispiel A vergleichbare Pegel verbessern.
- Zahlreiche Modifikationen der Erfindung werden Fachleuten aus der vorangehenden Beschreibung und den begleitenden Zeichnungen ersichtlich werden. Es ist beabsichtigt, daß solche Modifikationen in den Rahmen der angeschlossenen Ansprüche fallen.
Claims (11)
1. Verfahren zur Vorhersage der Cetanzahlen von Gasölen,
mit den Schritten:
a) Messen des Infrarotspektrums einer Mehrzahl von Sätzen von
Gasölen;
b) Auswählen eines Bereiches von Wellenzahlen im
Spektralbereich; und Umwandeln einer Anzahl der in Rede stehenden
Wellenlängen in Absorptionsdaten und Verwenden der
Absorptionsdaten als Eingabe für ein neuronales Netzwerk;
gekennzeichnet durch:
c) Analysieren der Spektraldaten unter Verwendung eines
neuronalen Netzwerkes, wobei die Anzahl der Schichten des
neuronalen Netzwerkes 2 bis 5 beträgt, und, im Falle von 3
oder mehr Schichten, die Anzahl von Knoten der
Eingangsschicht 3 bis 10 beträgt, die Anzahl der Knoten der
verborgenen Schicht(en) 1 bis 10 beträgt, und die Anzahl der
Knoten der Ausgangsschicht 1 bis 3 beträgt;
d) Bestimmen der Cetanzahl des Gasöls durch herkömmliche
Messung;
e) Auswählen eines Trainingsdatensatzes mit den gemessenen
Infrarotdaten und herkömmlich gemessenen Cetanzahldaten
und Korrelieren der erhaltenen dekadischen
Extinktionswerte mit der Cetanzahl, Erzeugen eines Satzes von
Voraussagedaten; und anschließendes
f) Anwenden dieser Daten auf Infrarotspektren, die unter
denselben Bedingungen für Gasöle unbekannter Cetanzahl
aufgenommen wurden, um dadurch die Cetanzahl eines unbekannten
Gasöls zu erhalten.
2. Verfahren nach Anspruch 1, bei welchem der
Spektralbereich die Wellenlänge 0,78 bis 30 µm ist.
3. Verfahren nach Anspruch 1 oder 2, bei welchem der
Satz von Gasölen zumindest 100 ist.
4. Verfahren nach einem der Ansprüche 1-3, bei welchem
die Sätze von Gasölen Komponenten aus unterschiedlichen
Sekundärumwandlungsprozessen enthalten.
5. Verfahren nach einem der Ansprüche 1-4, bei welchem
der verwendete Spektralbereich die Wellenzahlen 9000-4500 für
fertige und vollständig gemischte Gasöle umfaßt und die
Cetanzündungsverbesserungskonzentration
in dem Spektralbereich der
Wellenzahlen 1600-1700 gemessen wird.
6. Verfahren nach einem der Ansprüche 1-4, bei welchem
der Spektralbereich die Wellenzahlen 9000-4500 für
Umwandlungsprozeßströme mit einem Bereich von Cetanzahlen umfaßt.
7. Verfahren nach einem der Ansprüche 1-6, bei welchem
ein neuronales Netzwerk angewandt wird, mit den Schritten:
Trainieren des neuronalen Netzwerkes auf den gesamten
Datensatz durch wiederholtes Präsentieren von Eingaben und
bekannten Ausgaben, d.h. Nahe-Infrarotdaten für das Gasöl und
seine Cetanzahl, um die Beziehung zwischen diesen beiden zu
lehren, und Überwachen der Leistung seiner Vorhersage gegenüber
den tatsächlichen Cetanzahldaten, wie sie durch
Standardverfahren für die Trainingsdaten gemessen werden, und dadurch
Korrelieren der dekadischen Extinktionswerte mit dieser
Cetanzahl;
Erzeugen eines Satzes von Werten der gegenseitigen
Verbindungsgewichtungen und Abgleiche des Netzwerkes, wie es nach der
Lernphase eingestellt ist; und
Anwenden dieser eingestellten Werte unter Verwendung des
Netzwerkalgorithmus auf Nahe-Infrarotspektren, die unter
denselben Bedingungen aufgenommen wurden, für Gasöle unbekannter
Cetanzahl.
8. Verfahren nach einem der Ansprüche 1-7, bei welchem
das Netzwerk 4 Eingangsknoten, 2 verborgene Knoten und einen
Ausgangsknoten aufweist ((4, 2, 1)-Netzwerk).
9. Verfahren nach einem der Ansprüche 1-7, bei welchem
das Netzwerk ein (3, 5, 1)-Netzwerk ist.
10. Verfahren nach einem der Ansprüche 1-7, bei welchem
das Netzwerk ein (6, 6, 3)-Netzwerk ist.
11. Verfahren nach einem der Ansprüche 1-7, bei welchem
das Netzwerk ein (6, 6, 6, 3)-Netzwerk ist.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP92309405 | 1992-10-15 | ||
PCT/EP1993/002835 WO1994009362A1 (en) | 1992-10-15 | 1993-10-12 | Method for prediction of cetane numbers of gasoils |
Publications (2)
Publication Number | Publication Date |
---|---|
DE69307926D1 DE69307926D1 (de) | 1997-03-13 |
DE69307926T2 true DE69307926T2 (de) | 1997-05-15 |
Family
ID=8211520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE69307926T Expired - Fee Related DE69307926T2 (de) | 1992-10-15 | 1993-10-12 | Verfahren zur voraussage der cetanzahlen von gasölen |
Country Status (20)
Country | Link |
---|---|
EP (1) | EP0671003B1 (de) |
JP (1) | JPH08502360A (de) |
KR (1) | KR950703735A (de) |
AT (1) | ATE148561T1 (de) |
AU (1) | AU677609B2 (de) |
BR (1) | BR9307250A (de) |
CA (1) | CA2146985A1 (de) |
DE (1) | DE69307926T2 (de) |
DK (1) | DK0671003T3 (de) |
ES (1) | ES2098063T3 (de) |
FI (1) | FI951720A (de) |
GR (1) | GR3022931T3 (de) |
HK (1) | HK91297A (de) |
MY (1) | MY110065A (de) |
NO (1) | NO951416D0 (de) |
NZ (1) | NZ256694A (de) |
SG (1) | SG45395A1 (de) |
TR (1) | TR27871A (de) |
WO (1) | WO1994009362A1 (de) |
ZA (1) | ZA937593B (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007042507B4 (de) | 2007-09-07 | 2019-12-12 | HELLA GmbH & Co. KGaA | Verfahren zur Bestimmung von Inhaltsstoffen von Flüssigkeiten, insbesondere von Motoröl |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5572030A (en) * | 1994-04-22 | 1996-11-05 | Intevep, S.A. | Method for determining parameter of hydrocarbon |
GB2301897B (en) * | 1995-06-08 | 1999-05-26 | Univ Wales Aberystwyth The | Composition analysis |
AR003845A1 (es) * | 1995-10-18 | 1998-09-09 | Shell Int Research | Un método para predecir una propiedad física de un residuo de petróleo crudo, de un petróleo combustible (fuel oil) residual o de un material bituminoso. |
AR003846A1 (es) * | 1995-10-18 | 1998-09-09 | Shell Int Research | Una celula de transmision adecuada para el uso en un dispositivo para medir espectros infrarrojos (proximos) de un material hidrocarbonaceo, un espectrometro que la comprende, uso del mismo, metodos para predecir una propiedad fisica de dicho material con dicha celula o espectrometro, y un procedimiento para preparar una composición de betum usando dicho metodo con dicho espectometro |
JP2004514902A (ja) * | 2000-11-20 | 2004-05-20 | ザ、プロクター、エンド、ギャンブル、カンパニー | ポリマーの予測方法 |
JP3992188B2 (ja) * | 2002-10-15 | 2007-10-17 | 株式会社キャンパスクリエイト | 性状予測方法 |
TWI285261B (en) * | 2005-12-29 | 2007-08-11 | Ind Tech Res Inst | Mobile oil-analyzing apparatus and analyzing method thereof |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2041801T3 (es) * | 1987-08-18 | 1993-12-01 | Bp Oil International Limited | Metodo para la determinacion directa de propiedades fisicas de productos hidrocarbonados. |
US5349188A (en) * | 1990-04-09 | 1994-09-20 | Ashland Oil, Inc. | Near infrared analysis of piano constituents and octane number of hydrocarbons |
-
1993
- 1993-10-12 JP JP6509633A patent/JPH08502360A/ja active Pending
- 1993-10-12 ES ES93922561T patent/ES2098063T3/es not_active Expired - Lifetime
- 1993-10-12 CA CA002146985A patent/CA2146985A1/en not_active Abandoned
- 1993-10-12 SG SG1996005908A patent/SG45395A1/en unknown
- 1993-10-12 DE DE69307926T patent/DE69307926T2/de not_active Expired - Fee Related
- 1993-10-12 NZ NZ256694A patent/NZ256694A/en unknown
- 1993-10-12 AT AT93922561T patent/ATE148561T1/de not_active IP Right Cessation
- 1993-10-12 EP EP93922561A patent/EP0671003B1/de not_active Expired - Lifetime
- 1993-10-12 BR BR9307250A patent/BR9307250A/pt active Search and Examination
- 1993-10-12 WO PCT/EP1993/002835 patent/WO1994009362A1/en active IP Right Grant
- 1993-10-12 AU AU51514/93A patent/AU677609B2/en not_active Ceased
- 1993-10-12 KR KR1019950701442A patent/KR950703735A/ko not_active Application Discontinuation
- 1993-10-12 DK DK93922561.1T patent/DK0671003T3/da active
- 1993-10-13 ZA ZA937593A patent/ZA937593B/xx unknown
- 1993-10-13 TR TR00917/93A patent/TR27871A/xx unknown
- 1993-10-13 MY MYPI93002099A patent/MY110065A/en unknown
-
1995
- 1995-04-11 FI FI951720A patent/FI951720A/fi unknown
- 1995-04-11 NO NO951416A patent/NO951416D0/no unknown
-
1997
- 1997-03-26 GR GR970400618T patent/GR3022931T3/el unknown
- 1997-06-26 HK HK91297A patent/HK91297A/xx not_active IP Right Cessation
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007042507B4 (de) | 2007-09-07 | 2019-12-12 | HELLA GmbH & Co. KGaA | Verfahren zur Bestimmung von Inhaltsstoffen von Flüssigkeiten, insbesondere von Motoröl |
Also Published As
Publication number | Publication date |
---|---|
SG45395A1 (en) | 1998-01-16 |
BR9307250A (pt) | 1999-08-24 |
ZA937593B (en) | 1994-05-03 |
DE69307926D1 (de) | 1997-03-13 |
WO1994009362A1 (en) | 1994-04-28 |
ATE148561T1 (de) | 1997-02-15 |
JPH08502360A (ja) | 1996-03-12 |
FI951720A0 (fi) | 1995-04-11 |
HK91297A (en) | 1997-08-01 |
TR27871A (tr) | 1995-10-11 |
DK0671003T3 (da) | 1997-08-18 |
AU677609B2 (en) | 1997-05-01 |
AU5151493A (en) | 1994-05-09 |
NZ256694A (en) | 1996-02-27 |
EP0671003A1 (de) | 1995-09-13 |
NO951416L (no) | 1995-04-11 |
CA2146985A1 (en) | 1994-04-28 |
FI951720A (fi) | 1995-04-11 |
GR3022931T3 (en) | 1997-06-30 |
NO951416D0 (no) | 1995-04-11 |
EP0671003B1 (de) | 1997-01-29 |
MY110065A (en) | 1997-12-31 |
ES2098063T3 (es) | 1997-04-16 |
KR950703735A (ko) | 1995-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19617917C2 (de) | Verfahren zum Bewerten eines Kohlenwasserstoff-Kraftstoffes und Verwendung eines neuronalen Netzwerks | |
DE69507454T2 (de) | Feststellung von krackeigenschaften | |
DE69027233T2 (de) | Verfahren und Vorrichtung zur Signalbehandlung | |
DE69317777T2 (de) | Indirektes verfahren zur bestimmung des inhalts an sauerstoffeinhaltenden substanzen mit verwendung von nah-infrarot absorptionsspektron | |
DE69107467T2 (de) | Gerät und Verfahren zur Analyse von Kohlenwasserstoffen durch Spektroskopie im nahen Infrarotbereich. | |
DE69118912T2 (de) | Bestimmung der aromaten in den kohlenwasserstoffen durch spektrometrie im nahen infrarot | |
DE69129751T2 (de) | Messung von spektraldaten und korrektion | |
DE60026697T2 (de) | Verfahren zum optimieren multivariabler kalibrierungen | |
DE69301310T2 (de) | Verfahren zur bestimmung von harnstoff in milch | |
DE69218536T2 (de) | Verfahren und Gerät zur Spektrenvergleichung | |
DE69623513T2 (de) | Verfahren zur Charakterisierung von Kohlenwasserstoffen mittels Infrarotspektroskopie | |
DE69128357T2 (de) | Verfahren um eigenschaften und/oder zusammensetzungsdaten einer probe zu bestimmen | |
DE69837192T2 (de) | Eichmethode für instrumente zur spektrografischen analyse | |
DE69616859T2 (de) | Verfahren zur Stabilisierung von Spektren in der Spektrometrie | |
DE102009011636A1 (de) | Spektroskopisches Ellipsometer | |
DE69307926T2 (de) | Verfahren zur voraussage der cetanzahlen von gasölen | |
DE4203587A1 (de) | Quantitatives spektralanalytisches verfahren zur bestimmung von bestandteilen in einer probe | |
CA2154786A1 (en) | Method for prediction of physical property data of hydrocarbon products | |
DE4203588A1 (de) | Quantitatives spektralanalytisches verfahren | |
EP0812415A1 (de) | Verfahren und gerätekombination zur herstellung der vergleichbarkeit von spektrometermessungen | |
DE19963561A1 (de) | Verfahren und Vorrichtung zur Online-Analytik von Lösungsmittelgemischen | |
WO1999047909A1 (de) | Automatisches kalibrationsverfahren | |
DE69636276T2 (de) | Steuerung eines Prozesses | |
DE102022206362B3 (de) | Verfahren und Vorrichtung zur Ermittlung der Rußtendenz einer Substanz, Verwendung der Vorrichtung und Computerprogrammprodukt | |
DE102017210548A1 (de) | Dickenunabhängige spektroskopische Analyse von Betriebsstoffen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |