DE69307926T2

DE69307926T2 - Verfahren zur voraussage der cetanzahlen von gasölen

Info

Publication number: DE69307926T2
Application number: DE69307926T
Authority: DE
Inventors: Andrew Boyd; Catherine Anne Gilchrist; John Michael Tolchard
Original assignee: Shell Internationale Research Maatschappij BV
Current assignee: Shell Internationale Research Maatschappij BV
Priority date: 1992-10-15
Filing date: 1993-10-12
Publication date: 1997-05-15
Anticipated expiration: 2013-10-13
Also published as: SG45395A1; BR9307250A; ZA937593B; DE69307926D1; WO1994009362A1; ATE148561T1; JPH08502360A; FI951720A0; HK91297A; TR27871A; DK0671003T3; AU677609B2; AU5151493A; NZ256694A; EP0671003A1; NO951416L; CA2146985A1; FI951720A; GR3022931T3; NO951416D0

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:

Beispiel A

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.

Beispiel B

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

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.