JP2021011548A - 燃料油組成物製造システム及び燃料油組成物の製造方法 - Google Patents
燃料油組成物製造システム及び燃料油組成物の製造方法 Download PDFInfo
- Publication number
- JP2021011548A JP2021011548A JP2019126994A JP2019126994A JP2021011548A JP 2021011548 A JP2021011548 A JP 2021011548A JP 2019126994 A JP2019126994 A JP 2019126994A JP 2019126994 A JP2019126994 A JP 2019126994A JP 2021011548 A JP2021011548 A JP 2021011548A
- Authority
- JP
- Japan
- Prior art keywords
- data
- fuel oil
- oil composition
- base material
- segmentation
- 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.)
- Pending
Links
- 239000000203 mixture Substances 0.000 title claims abstract description 153
- 239000000295 fuel oil Substances 0.000 title claims abstract description 117
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 55
- 239000000463 material Substances 0.000 claims abstract description 76
- 238000010801 machine learning Methods 0.000 claims abstract description 59
- 238000013329 compounding Methods 0.000 claims abstract description 52
- 238000003860 storage Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 239000013049 sediment Substances 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims description 64
- 238000002156 mixing Methods 0.000 claims description 34
- 239000003921 oil Substances 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 22
- 238000004062 sedimentation Methods 0.000 claims description 18
- 229910052717 sulfur Inorganic materials 0.000 claims description 13
- 239000011593 sulfur Substances 0.000 claims description 13
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 11
- 238000009472 formulation Methods 0.000 claims description 11
- 125000003118 aryl group Chemical group 0.000 claims description 10
- 238000004821 distillation Methods 0.000 claims description 10
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- 229910052799 carbon Inorganic materials 0.000 claims description 8
- 239000011347 resin Substances 0.000 claims description 8
- 229920005989 resin Polymers 0.000 claims description 8
- 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 7
- 229910052782 aluminium Inorganic materials 0.000 claims description 7
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 6
- 239000010802 sludge Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims description 2
- 241001290610 Abildgaardia Species 0.000 description 18
- 239000010779 crude oil Substances 0.000 description 13
- 239000003208 petroleum Substances 0.000 description 12
- 238000002485 combustion reaction Methods 0.000 description 10
- 238000010998 test method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 239000003209 petroleum derivative Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- DCAYPVUWAIABOU-UHFFFAOYSA-N hexadecane Chemical compound CCCCCCCCCCCCCCCC DCAYPVUWAIABOU-UHFFFAOYSA-N 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000003109 Karl Fischer titration Methods 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 150000001336 alkenes Chemical class 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000010763 heavy fuel oil Substances 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000007655 standard test method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Liquid Carbonaceous Fuels (AREA)
Abstract
【課題】燃料油組成物におけるセジメントの発生量を予測可能な燃料油組成物製造システムを提供する。【解決手段】性状データ１００、配合データ１０１、セジメント発生データ１０２及び使用可能基材データ１０３を記憶する記憶部１０と、性状データ１００及び配合データ１０１から抽出した第１入力変数２００を機械学習の第１アルゴリズム２０１により、第１予測モデル２０２を作成する第１機械学習部２０と、要求セジメント発生データ３００及び品質性状データ３０１を入力する入力部３０と、要求セジメント発生データ３００、品質性状データ３０１及び使用可能基材データ１０３から抽出した第２入力変数４００を機械学習の第２アルゴリズム４０１により、配合データ４０２を提示する第２機械学習部４０とを備える、燃料油組成物製造システム。【選択図】図１
Description
本発明は、燃料油組成物製造システム及び燃料油組成物の製造方法に関する。
従来、内燃機及び外燃機の燃料油として、Ａ重油、Ｂ重油及びＣ重油等が用いられている。例えば、Ｃ重油は、安価で高い発熱量を有することから、大型船舶用ディーゼルエンジン等の大型の内燃機の燃料油として、また発電用ボイラ等の大型の外燃機の燃料油として広く使用されている。Ｃ重油は、使用によりセジメント（スラッジ）が生成することがあり、セジメントが発生した場合には、燃料油フィルタの目詰まりが発生することが知られている（例えば、特許文献１参照）。このため、Ｃ重油を船舶用燃料油として用いる場合、燃料油フィルタの閉塞頻度を低減するために、ＩＳＯ １０３０７−２に準拠して測定した潜在セジメントが０．１質量％以下であるＣ重油を使用してきた。
近年、環境汚染防止は世界的な最重要課題の一つとして挙げられており、国際海事機関（ＩＭＯ）では、大気汚染防止対策の一環として、２０２０年から全ての船舶に対して燃料油中の硫黄分濃度を現行３．５質量％以下から０．５質量％以下と規制を強化することが決定された。そのため、船舶用の燃料油の硫黄分濃度を０．５質量％以下とすることが急務となっている。しかし、特許文献１には主に硫黄分含有量が２質量％を超えるＣ重油組成物が記載されており、０．５質量％以下の要求性能を遵守できなくなる場合が想定される。
また、特許文献１に記載の組成物のように、アスファルテン、レジン等の比較的高分子量の成分が含まれている燃料油組成物は、セジメントを要因とする燃料油フィルタの閉塞が生じやすい。そのため、例えば大型船舶のディーゼルエンジン等の大型ディーゼルエンジンに燃料油組成物を用いる場合、通常使用時に燃料油フィルタの閉塞頻度が高くなりやすく、船舶内の燃料油タンク等で長期貯蔵した後に使用すると、閉塞頻度はより高くなる傾向にある。
このような状況下、ＩＭＯへの対応は喫緊の課題であるが、燃料油組成物には、硫黄分濃度を０．５質量％以下とすることだけでなく、長期貯蔵した後であっても燃料油フィルタの閉塞等を引き起こすセジメントが生成しない貯蔵安定性が高いものが求められている。また、内燃機に用いられる燃料油組成物には、当然有するべき性能として、その使用量の低減による燃費改善のためにより高い発熱量を有すること、硫黄分含有量を少なくすることで環境への負荷を低減する環境性能、着火遅れ等がない燃焼性能等が求められている。このような燃焼性能を満たす燃料油組成物は主に重油留分が利用されており、貯蔵安定性の要因となるセジメントが発生しやすい割に、重油留分のセジメントの発生挙動は予測困難である。そして、貯蔵安定性の評価としては、燃料油組成物を長期貯蔵した後にセジメントが発生するか否かについて実測により評価しているのが現状であり、要求されている燃焼性能を満たす燃料油組成物の全てについて貯蔵安定性を評価するのは困難であった。
また、所有している基材を利用して、要求されている燃焼性能を満たし、かつ、貯蔵安定性を満たす燃料油組成物を配合することが可能であるかを見極めることも困難であった。
また、所有している基材を利用して、要求されている燃焼性能を満たし、かつ、貯蔵安定性を満たす燃料油組成物を配合することが可能であるかを見極めることも困難であった。
そこで、本発明は、上記問題に鑑み、セジメントの発生量が少ないことで貯蔵安定性が高く、かつ、要求される品質性状を満たす燃料油組成物の基材の配合を決定する燃料油組成物製造システム及び燃料油組成物の製造方法を提供することを目的とする。
上記課題を解決するために、本発明者らは鋭意研究した結果、セジメントの発生量を予測するための予測モデルを機械学習により作成し、作成した予測モデルを用いることで、スラッジ発生量及び品質性状を満足し、所有している基材を利用する配合を決定することができることを見出した。すなわち、本発明は、以下の［１］〜［８］を提供する。
［１］基材の性状を示す性状データ、前記基材を複数配合した燃料油組成物を組成する前記基材の配合に関する配合データ、前記燃料油組成物におけるセジメント発生に関するセジメント発生データ及び配合に使用可能な基材に関する使用可能基材データを記憶する記憶部と、前記性状データ及び前記配合データから抽出した第１入力変数を機械学習の第１アルゴリズムにより、前記セジメント発生データと前記第１入力変数との相関関係を導き出すことにより、前記セジメント発生データを前記第１入力変数から決定するための第１予測モデルを作成する第１機械学習部と、任意の基材を複数配合することで得られる仮想燃料油組成物に要求されるセジメント発生量に関する要求セジメント発生データ及び前記仮想燃料油組成物に要求される品質性状に関する品質性状データを入力する入力部と、前記要求セジメント発生データ、前記品質性状データ及び前記使用可能基材データから抽出した第２入力変数を機械学習の第２アルゴリズムにより、前記第１予測モデルを用いて、前記セジメント発生量及び前記品質性状を満足する前記仮想燃料油組成物の配合に関する配合データを提示する第２機械学習部とを備える、燃料油組成物製造システム。
［２］前記第１アルゴリズムは、サポートベクターマシン、線形回帰、ランダムフォレスト、ニューラルネットワーク及び勾配ブースティング木の群から選ばれる少なくとも１つである、［１］の燃料油組成物製造システム。
［３］前記第１入力変数は、１５℃密度、５０℃動粘度、硫黄分含有量、流動点、引火点、セタン指数、混合比率、貯蔵期間、総発熱量、ＣＣＡＩ、残留炭素分、水分含有量、灰分量、アルミニウム含有量、飽和分含有量、芳香族分含有量、レジン含有量、アスファルテン含有量、蒸留性状、曇り点、基材種類、配合割合及び配合量からなる群から選ばれる少なくとも１つを含む、［１］又は［２］の燃料油組成物製造システム。
［４］前記第２アルゴリズムは、遺伝的アルゴリズム、勾配降下法及びベイズ最適化の群から選ばれる少なくとも１つである、［１］〜［３］のいずれかの燃料油組成物製造システム。
［５］前記仮想燃料油組成物の品質性状を予測可能なブレンドシミュレータをさらに備え、前記ブレンドシミュレータは、品質性状を満足する前記仮想燃料油組成物の配合候補を絞る、［１］〜［４］のいずれかの燃料油組成物製造システム。
［６］前記セジメント発生データは、実在スラッジの発生データ及び潜在スラッジの発生データに関する、［１］〜［５］のいずれかの燃料油組成物製造システム。
［７］前記基材は、分解軽油、直脱軽油、脱硫残油及び分解残油の群から選ばれる少なくとも１つを含む、［１］〜［６］のいずれかの燃料油組成物製造システム。
［８］基材の性状を示す性状データ、前記基材を複数配合した燃料油組成物を組成する前記基材の配合に関する配合データ、前記燃料油組成物におけるセジメント発生に関するセジメント発生データ及び配合に使用可能な基材に関する使用可能基材データを記憶部に記憶する工程と、前記性状データ及び前記配合データから抽出した第１入力変数を機械学習の第１アルゴリズムにより、前記セジメント発生データと前記第１入力変数との相関関係を導き出すことにより、前記セジメント発生データを前記第１入力変数から決定するための第１予測モデルを第１機械学習部で作成する工程と、任意の基材を複数配合することで得られる仮想燃料油組成物に要求されるセジメント発生量に関する要求セジメント発生データ及び前記仮想燃料油組成物に要求される品質性状に関する品質性状データを入力部に入力する工程と、前記要求セジメント発生データ、前記品質性状データ及び前記使用可能基材データから抽出した第２入力変数を機械学習の第２アルゴリズムにより、前記第１予測モデルを用いて、前記セジメント発生量及び前記品質性状を満足する前記仮想燃料油組成物の配合に関する配合データを第２機械学習部で提示する工程とを含む、燃料油組成物の製造方法。
［１］基材の性状を示す性状データ、前記基材を複数配合した燃料油組成物を組成する前記基材の配合に関する配合データ、前記燃料油組成物におけるセジメント発生に関するセジメント発生データ及び配合に使用可能な基材に関する使用可能基材データを記憶する記憶部と、前記性状データ及び前記配合データから抽出した第１入力変数を機械学習の第１アルゴリズムにより、前記セジメント発生データと前記第１入力変数との相関関係を導き出すことにより、前記セジメント発生データを前記第１入力変数から決定するための第１予測モデルを作成する第１機械学習部と、任意の基材を複数配合することで得られる仮想燃料油組成物に要求されるセジメント発生量に関する要求セジメント発生データ及び前記仮想燃料油組成物に要求される品質性状に関する品質性状データを入力する入力部と、前記要求セジメント発生データ、前記品質性状データ及び前記使用可能基材データから抽出した第２入力変数を機械学習の第２アルゴリズムにより、前記第１予測モデルを用いて、前記セジメント発生量及び前記品質性状を満足する前記仮想燃料油組成物の配合に関する配合データを提示する第２機械学習部とを備える、燃料油組成物製造システム。
［２］前記第１アルゴリズムは、サポートベクターマシン、線形回帰、ランダムフォレスト、ニューラルネットワーク及び勾配ブースティング木の群から選ばれる少なくとも１つである、［１］の燃料油組成物製造システム。
［３］前記第１入力変数は、１５℃密度、５０℃動粘度、硫黄分含有量、流動点、引火点、セタン指数、混合比率、貯蔵期間、総発熱量、ＣＣＡＩ、残留炭素分、水分含有量、灰分量、アルミニウム含有量、飽和分含有量、芳香族分含有量、レジン含有量、アスファルテン含有量、蒸留性状、曇り点、基材種類、配合割合及び配合量からなる群から選ばれる少なくとも１つを含む、［１］又は［２］の燃料油組成物製造システム。
［４］前記第２アルゴリズムは、遺伝的アルゴリズム、勾配降下法及びベイズ最適化の群から選ばれる少なくとも１つである、［１］〜［３］のいずれかの燃料油組成物製造システム。
［５］前記仮想燃料油組成物の品質性状を予測可能なブレンドシミュレータをさらに備え、前記ブレンドシミュレータは、品質性状を満足する前記仮想燃料油組成物の配合候補を絞る、［１］〜［４］のいずれかの燃料油組成物製造システム。
［６］前記セジメント発生データは、実在スラッジの発生データ及び潜在スラッジの発生データに関する、［１］〜［５］のいずれかの燃料油組成物製造システム。
［７］前記基材は、分解軽油、直脱軽油、脱硫残油及び分解残油の群から選ばれる少なくとも１つを含む、［１］〜［６］のいずれかの燃料油組成物製造システム。
［８］基材の性状を示す性状データ、前記基材を複数配合した燃料油組成物を組成する前記基材の配合に関する配合データ、前記燃料油組成物におけるセジメント発生に関するセジメント発生データ及び配合に使用可能な基材に関する使用可能基材データを記憶部に記憶する工程と、前記性状データ及び前記配合データから抽出した第１入力変数を機械学習の第１アルゴリズムにより、前記セジメント発生データと前記第１入力変数との相関関係を導き出すことにより、前記セジメント発生データを前記第１入力変数から決定するための第１予測モデルを第１機械学習部で作成する工程と、任意の基材を複数配合することで得られる仮想燃料油組成物に要求されるセジメント発生量に関する要求セジメント発生データ及び前記仮想燃料油組成物に要求される品質性状に関する品質性状データを入力部に入力する工程と、前記要求セジメント発生データ、前記品質性状データ及び前記使用可能基材データから抽出した第２入力変数を機械学習の第２アルゴリズムにより、前記第１予測モデルを用いて、前記セジメント発生量及び前記品質性状を満足する前記仮想燃料油組成物の配合に関する配合データを第２機械学習部で提示する工程とを含む、燃料油組成物の製造方法。
本発明によれば、燃料油組成物におけるセジメントの発生量を予測可能な燃料油組成物製造システム、セジメント発生予測方法及び燃料油組成物の製造方法を提供することができる。
以下、本発明の実施形態（以後、単に「本実施形態」と称する場合がある。）に係る燃料油組成物製造システム、セジメント発生予測方法及び燃料油組成物の製造方法について具体的に説明する。
〔燃料油組成物製造システム〕
本実施形態に係る燃料油組成物製造システム１は、図１に示すように、記憶部１０と、第１機械学習部２０と、入力部３０と、第２機械学習部４０とを備える。燃料油組成物製造システム１の構成要素は、それぞれシステムバス５０に接続されており、システムバス５０を介してデータのやり取りが行われる。
本実施形態に係る燃料油組成物製造システム１は、図１に示すように、記憶部１０と、第１機械学習部２０と、入力部３０と、第２機械学習部４０とを備える。燃料油組成物製造システム１の構成要素は、それぞれシステムバス５０に接続されており、システムバス５０を介してデータのやり取りが行われる。
＜記憶部＞
記憶部１０は、性状データ１００、配合データ１０１、セジメント発生データ１０２及び使用可能基材データ１０３を記憶する。
記憶部１０としては、例えば、ＲＯＭ、ＲＡＭ及びハードディスク等の記憶媒体を用いることができる。
記憶部１０は、性状データ１００、配合データ１０１、セジメント発生データ１０２及び使用可能基材データ１０３を記憶する。
記憶部１０としては、例えば、ＲＯＭ、ＲＡＭ及びハードディスク等の記憶媒体を用いることができる。
性状データ１００は、基材の性状を示すデータである。性状データ１００としては、燃料油組成物に用いられる各種重油留分等のデータが挙げられ、例えば、分解軽油（ＬＣＯ）性状データ、直脱軽油（ＤＳＧＯ）性状データ、脱硫残油（ＤＳＲＣ）性状データ及び分解残油（ＣＬＯ）性状データ等が挙げられる。
基材の性状を示すデータとしては、例えば、１５℃密度、５０℃動粘度、硫黄分含有量、流動点、引火点、セタン指数、総発熱量、ＣＣＡＩ、残留炭素分、水分含有量、灰分量、アルミニウム含有量、飽和分含有量、芳香族分含有量、レジン含有量、アスファルテン含有量、蒸留性状及び曇り点等が挙げられる。
基材の性状を示すデータとしては、例えば、１５℃密度、５０℃動粘度、硫黄分含有量、流動点、引火点、セタン指数、総発熱量、ＣＣＡＩ、残留炭素分、水分含有量、灰分量、アルミニウム含有量、飽和分含有量、芳香族分含有量、レジン含有量、アスファルテン含有量、蒸留性状及び曇り点等が挙げられる。
基材の性状を示すデータの測定方法を以下に示す。
・１５℃における密度：ＪＩＳ Ｋ ２２４９−１：２０１１（原油及び石油製品−密度の求め方−第１部：振動法）に準じて測定することができる。
・５０℃における動粘度：ＪＩＳ Ｋ ２２８３：２０００（原油及び石油製品の動粘度試験方法）に準じて測定することができる。
・硫黄分含有量：ＪＩＳ Ｋ ２５４１−４：２００３（原油及び石油製品−硫黄分試験方法−第４部：放射線式励起法）に準じて測定することができる。
・流動点：分解軽油留分、直脱軽油留分、脱硫軽油留分はＪＩＳ Ｋ２２６９：１９８７（原油及び石油製品の流動点並びに石油製品曇り点試験方法）に準じて測定することができ、燃料油組成物、直脱重油留分については、その５００ｍＬを常温（１０〜２０℃）で１６８時間（７日間）放置した後、４５℃に加熱する予備処理を行わなかったものについて、ＪＩＳ Ｋ２２６９：１９８７（原油及び石油製品の流動点並びに石油製品曇り点試験方法）に準じて測定することができる。
・引火点：ＪＩＳ Ｋ ２２６５−３：２００７（原油及び石油製品−引火点試験方法−第３部：ペンスキーマルテンス密閉法）に準じて測定することができる。
・セタン指数：ＪＩＳ Ｋ ２２８０−５：２０１３（石油製品−オクタン価、セタン価、セタン指数の求め方−第５部：セタン指数）に準じて測定することができる。
・総発熱量：分解軽油留分、その他軽油留分、及び燃料油組成物については、ＪＩＳＫ２２７９：２００３（原油及び石油製品−発熱量試験方法及び計算による推定方法−）に準じて測定することができ、推定（「６．総発熱量推定方法、６．３ ｅ）１）」に規定される原油、灯油、軽油、Ａ重油及びＢ重油の場合の計算式により推定）する。また、直脱重油留分については、ＪＩＳ Ｋ２２７９：２００３（原油及び石油製品−発熱量試験方法及び計算による推定方法−）に準じて測定することができ、推定（「６．総発熱量推定方法、６．３ ｅ）１）」に規定されるＣ重油の場合の計算式により推定）する。
・ＣＣＡＩ：ＩＳＯ ８２１７−２０１２のＡｎｎｅｘ Ｆ記載の計算式より算出する。
・残留炭素分：ＪＩＳ Ｋ ２２７０−１：２００９（原油及び石油製品−残留炭素分の求め方−第１部：コンラドソン法）に準じて測定することができる。
・水分含有率：ＪＩＳ Ｋ ２２７５−３：２０１５（原油及び石油製品−水分の求め方−第３部：カールフィッシャー式電量滴定法）に準じて測定することができる。
・灰分量：ＪＩＳ Ｋ ２２７２：１９９８（原油及び石油製品−灰分及び硫酸灰分試験方法−）に準じて測定することができる。
・アルミニウム含有率：ＪＰＩ−５Ｓ−６２−２０１１（石油製品−金属分試験方法−）に準じて測定することができる。
・飽和分含有量、芳香族分含有量、レジン分含有量及びアスファルテン分含有量：直脱重油留分等の重油留分の上記各種成分含有量は、ＩＰ−４６９（国際標準試験方法（ＩＰ Ｔｅｓｔ Ｍｅｔｈｏｄｓ））に規定する、ＴＬＣ／ＦＩＤ法により測定することができる。
・芳香族分含有量（１環芳香族分、２環芳香族分及び３環芳香族分）、飽和分含有量及びオレフィン分含有量：分解軽油留分等の軽油留分の上記各種成分含有量は、ＪＰＩ−５Ｓ−４９−２００７に規定する、石油製品−炭化水素タイプ試験方法−高速液体クロマトグラフィー法（Ｈｉｇｈ Ｐｅｒｆｏｒｍａｎｃｅ Ｌｉｑｕｉｄ Ｃｈｒｏｍａｔｏｇｒａｐｈｙ法）により測定することができる。
・蒸留性状（初留点、終点及び９０容量％留出温度）：ＪＩＳ Ｋ２２５４：１９９８（石油製品−蒸留試験方法−）に準じて測定することができる。
・曇り点：ＪＩＳ Ｋ ２２６９：１９８７（原油及び石油製品の流動点並びに曇り点試験方法）に準じて測定することができる。
・１５℃における密度：ＪＩＳ Ｋ ２２４９−１：２０１１（原油及び石油製品−密度の求め方−第１部：振動法）に準じて測定することができる。
・５０℃における動粘度：ＪＩＳ Ｋ ２２８３：２０００（原油及び石油製品の動粘度試験方法）に準じて測定することができる。
・硫黄分含有量：ＪＩＳ Ｋ ２５４１−４：２００３（原油及び石油製品−硫黄分試験方法−第４部：放射線式励起法）に準じて測定することができる。
・流動点：分解軽油留分、直脱軽油留分、脱硫軽油留分はＪＩＳ Ｋ２２６９：１９８７（原油及び石油製品の流動点並びに石油製品曇り点試験方法）に準じて測定することができ、燃料油組成物、直脱重油留分については、その５００ｍＬを常温（１０〜２０℃）で１６８時間（７日間）放置した後、４５℃に加熱する予備処理を行わなかったものについて、ＪＩＳ Ｋ２２６９：１９８７（原油及び石油製品の流動点並びに石油製品曇り点試験方法）に準じて測定することができる。
・引火点：ＪＩＳ Ｋ ２２６５−３：２００７（原油及び石油製品−引火点試験方法−第３部：ペンスキーマルテンス密閉法）に準じて測定することができる。
・セタン指数：ＪＩＳ Ｋ ２２８０−５：２０１３（石油製品−オクタン価、セタン価、セタン指数の求め方−第５部：セタン指数）に準じて測定することができる。
・総発熱量：分解軽油留分、その他軽油留分、及び燃料油組成物については、ＪＩＳＫ２２７９：２００３（原油及び石油製品−発熱量試験方法及び計算による推定方法−）に準じて測定することができ、推定（「６．総発熱量推定方法、６．３ ｅ）１）」に規定される原油、灯油、軽油、Ａ重油及びＢ重油の場合の計算式により推定）する。また、直脱重油留分については、ＪＩＳ Ｋ２２７９：２００３（原油及び石油製品−発熱量試験方法及び計算による推定方法−）に準じて測定することができ、推定（「６．総発熱量推定方法、６．３ ｅ）１）」に規定されるＣ重油の場合の計算式により推定）する。
・ＣＣＡＩ：ＩＳＯ ８２１７−２０１２のＡｎｎｅｘ Ｆ記載の計算式より算出する。
・残留炭素分：ＪＩＳ Ｋ ２２７０−１：２００９（原油及び石油製品−残留炭素分の求め方−第１部：コンラドソン法）に準じて測定することができる。
・水分含有率：ＪＩＳ Ｋ ２２７５−３：２０１５（原油及び石油製品−水分の求め方−第３部：カールフィッシャー式電量滴定法）に準じて測定することができる。
・灰分量：ＪＩＳ Ｋ ２２７２：１９９８（原油及び石油製品−灰分及び硫酸灰分試験方法−）に準じて測定することができる。
・アルミニウム含有率：ＪＰＩ−５Ｓ−６２−２０１１（石油製品−金属分試験方法−）に準じて測定することができる。
・飽和分含有量、芳香族分含有量、レジン分含有量及びアスファルテン分含有量：直脱重油留分等の重油留分の上記各種成分含有量は、ＩＰ−４６９（国際標準試験方法（ＩＰ Ｔｅｓｔ Ｍｅｔｈｏｄｓ））に規定する、ＴＬＣ／ＦＩＤ法により測定することができる。
・芳香族分含有量（１環芳香族分、２環芳香族分及び３環芳香族分）、飽和分含有量及びオレフィン分含有量：分解軽油留分等の軽油留分の上記各種成分含有量は、ＪＰＩ−５Ｓ−４９−２００７に規定する、石油製品−炭化水素タイプ試験方法−高速液体クロマトグラフィー法（Ｈｉｇｈ Ｐｅｒｆｏｒｍａｎｃｅ Ｌｉｑｕｉｄ Ｃｈｒｏｍａｔｏｇｒａｐｈｙ法）により測定することができる。
・蒸留性状（初留点、終点及び９０容量％留出温度）：ＪＩＳ Ｋ２２５４：１９９８（石油製品−蒸留試験方法−）に準じて測定することができる。
・曇り点：ＪＩＳ Ｋ ２２６９：１９８７（原油及び石油製品の流動点並びに曇り点試験方法）に準じて測定することができる。
配合データ１０１は、基材を複数配合した燃料油組成物を組成する基材の配合に関するデータである。配合データ１０１は、分解軽油（ＬＣＯ）、直脱軽油（ＤＳＧＯ）、脱硫残油（ＤＳＲＣ）及び分解残油（ＣＬＯ）等の基材を実際に配合した燃料油組成物の配合に関するデータであり、具体的には、基材種類、配合割合、配合量及び配合順序等に関するデータである。基材種類のデータには、基材の貯蔵期間、生成場所及び生成時期等のデータが含まれる。
セジメント発生データ１０２は、燃料油組成物におけるセジメント発生に関するデータである。セジメント発生データ１０２は、実際に配合した燃料油組成物で発生した実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量に関するデータである。セジメント発生データ１０２は、例えば、燃料油組成物を配合した直後の実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量に関するデータ、及び、燃料油組成物を配合して１〜１２ヶ月等の長期貯蔵した後の実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量に関するデータ等が該当する。
既述のように特に重油留分のセジメントの発生挙動は予測困難であり、セジメント発生データ１０２は、性状データ１００及び配合データ１０１と関連させることにより、実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量に関して、より精度の高い予測が可能となる。
既述のように特に重油留分のセジメントの発生挙動は予測困難であり、セジメント発生データ１０２は、性状データ１００及び配合データ１０１と関連させることにより、実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量に関して、より精度の高い予測が可能となる。
セジメント発生データ１０２の測定方法を以下に示す。
・実在セジメント（ＴＳＥ）：ＩＳＯ １０３０７−１に準拠して測定することができる。
・潜在セジメント（ＴＳＰ）：ＩＳＯ １０３０７−２に準拠して測定することができる。
・実在セジメント（ＴＳＥ）：ＩＳＯ １０３０７−１に準拠して測定することができる。
・潜在セジメント（ＴＳＰ）：ＩＳＯ １０３０７−２に準拠して測定することができる。
使用可能基材データ１０３は、配合に使用することが可能な基材に関するデータであり、所有している、又は取得可能な基材の種類、量、貯蔵期間、生成場所及び生成時期等のデータが含まれる。
＜第１機械学習部＞
第１機械学習部２０は、性状データ１００及び配合データ１０１から抽出した第１入力変数２００を機械学習の第１アルゴリズム２０１により、セジメント発生データ１０２と第１入力変数２００との相関関係を導き出すことにより、セジメント発生データ１０２を第１入力変数２００から決定するための第１予測モデル２０２を作成する。
第１機械学習部２０は、セジメント発生データ１０２と第１入力変数２００の相関を見出すために、様々な演算を行い、実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量の予測精度が最も高くなるハイパーパラメータを設定したものが第１予測モデル２０２である。
第１機械学習部２０は、性状データ１００及び配合データ１０１から抽出した第１入力変数２００を機械学習の第１アルゴリズム２０１により、セジメント発生データ１０２と第１入力変数２００との相関関係を導き出すことにより、セジメント発生データ１０２を第１入力変数２００から決定するための第１予測モデル２０２を作成する。
第１機械学習部２０は、セジメント発生データ１０２と第１入力変数２００の相関を見出すために、様々な演算を行い、実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量の予測精度が最も高くなるハイパーパラメータを設定したものが第１予測モデル２０２である。
第１機械学習部２０で取り扱う第１入力変数２００としての性状データ１００は、具体的には、１５℃密度、５０℃動粘度、硫黄分含有量、流動点、引火点、セタン指数、混合比率、貯蔵期間、総発熱量、ＣＣＡＩ、残留炭素分、水分含有量、灰分量、アルミニウム含有量、飽和分含有量、芳香族分含有量、レジン含有量、アスファルテン含有量、蒸留性状及び曇り点等が挙げられ、これらの群から選ばれる少なくとも１つを含むことが好ましい。また、第１機械学習部２０で取り扱う第１入力変数２００としての配合データ１０１は、具体的には、基材の種類、配合割合及び配合量等が挙げられ、これらの群から選ばれる少なくとも１つを含むことが好ましい。
第１機械学習部２０における機械学習の第１アルゴリズム２０１としては、サポートベクターマシン、線形回帰、ランダムフォレスト、ニューラルネットワーク及び勾配ブースティング木が挙げられ、これらの群から選ばれる少なくとも１つであることが好ましい。第１アルゴリズム２０１としては、作成する第１予測モデル２０２の精度の観点から、サポートベクターマシン及び勾配ブースティング木がより好ましく、サポートベクターマシンがさらに好ましい。
第１予測モデル２０２は、性状データ１００及び配合データ１０１から抽出した第１入力変数２００を機械学習の第１アルゴリズム２０１により、セジメント発生データ１０２と第１入力変数２００の相関関係を導き出し、セジメント発生データ１０２を第１入力変数２００から決定するための予測モデルである。
第１予測モデル２０２は、仮想燃料油組成物で発生すると予測する実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量を予測するためのモデルである。セジメント発生量に関するデータは、例えば、燃料油組成物を配合した直後の実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量に関するデータ、及び、燃料油組成物を配合して１〜１２ヶ月等の長期貯蔵した後の実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量に関するデータである。
第１予測モデル２０２は、仮想燃料油組成物で発生すると予測する実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量を予測するためのモデルである。セジメント発生量に関するデータは、例えば、燃料油組成物を配合した直後の実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量に関するデータ、及び、燃料油組成物を配合して１〜１２ヶ月等の長期貯蔵した後の実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量に関するデータである。
＜入力部＞
入力部３０は、任意の基材を複数配合することで得られる仮想燃料油組成物に要求されるセジメント発生量に関する要求セジメント発生データ３００及び仮想燃料油組成物に要求される品質性状に関する品質性状データ３０１を入力する。
入力部３０は、性状データ１００、配合データ１０１、セジメント発生データ１０２及び使用可能基材データ１０３等を含む入力データ３０２を入力する。
入力部３０で入力された要求セジメント発生データ３００、品質性状データ３０１及び入力データ３０２は、記憶部１０に書き込まれて記憶させることができる。
入力部３０としては、情報処理装置のユーザインタフェースを用いることができ、例えばマウス、キーボード、タッチパネル及び音声入力装置等を用いることができる。
入力部３０は、任意の基材を複数配合することで得られる仮想燃料油組成物に要求されるセジメント発生量に関する要求セジメント発生データ３００及び仮想燃料油組成物に要求される品質性状に関する品質性状データ３０１を入力する。
入力部３０は、性状データ１００、配合データ１０１、セジメント発生データ１０２及び使用可能基材データ１０３等を含む入力データ３０２を入力する。
入力部３０で入力された要求セジメント発生データ３００、品質性状データ３０１及び入力データ３０２は、記憶部１０に書き込まれて記憶させることができる。
入力部３０としては、情報処理装置のユーザインタフェースを用いることができ、例えばマウス、キーボード、タッチパネル及び音声入力装置等を用いることができる。
要求セジメント発生データ３００は、将来的に配合して製造する燃料油組成物（仮想燃料油組成物）に要求されるセジメント発生量に関するデータであり、具体的には、要求される実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量の上限に関するデータである。
品質性状データ３０１は、将来的に配合して製造する燃料油組成物（仮想燃料油組成物）に要求される品質性状に関するデータであり、具体的には、１５℃密度、５０℃動粘度、硫黄分含有量、流動点、引火点、セタン指数、総発熱量、ＣＣＡＩ、残留炭素分、水分含有量、灰分量、アルミニウム含有量、飽和分含有量、芳香族分含有量、レジン含有量、アスファルテン含有量、蒸留性状及び曇り点等の品質性状データであり、環境性能及び燃焼性能等に関するデータである。
入力データ３０２は、仮想燃料油組成物を組成する基材の性状を示す性状データ１００及び配合に関する配合データ１０１を含み、具体的には、１５℃密度、５０℃動粘度、硫黄分含有量、流動点、引火点、セタン指数、総発熱量、ＣＣＡＩ、残留炭素分、水分含有量、灰分量、アルミニウム含有量、飽和分含有量、芳香族分含有量、レジン含有量、アスファルテン含有量、蒸留性状及び曇り点等の性状データ、並びに、基材種類、配合割合及び配合量等の配合データに関するデータである。
入力データ３０２は、配合に関する配合データ１０１を含み、基材を複数配合した燃料油組成物を組成する基材の配合に関するデータである。配合データ１０１は、分解軽油（ＬＣＯ）、直脱軽油（ＤＳＧＯ）、脱硫残油（ＤＳＲＣ）及び分解残油（ＣＬＯ）等の基材を実際に配合した燃料油組成物の配合に関するデータであり、具体的には、基材種類、配合割合、配合量及び配合順序等に関するデータである。基材種類のデータには、基材の貯蔵期間、生成場所及び生成時期等のデータが含まれる。
入力データ３０２は、セジメント発生データ１０２を含み、燃料油組成物におけるセジメント発生に関するデータである。セジメント発生データ１０２は、実際に配合した燃料油組成物で発生した実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量に関するデータである。
入力データ３０２は、使用可能基材データ１０３を含み、具体的には、所有している、又は取得可能な基材の種類、量、貯蔵期間、生成場所及び生成時期等に関するデータである。
入力データ３０２は、記憶部１０に記憶されている性状データ１００、配合データ１０１、セジメント発生データ１０２及び使用可能基材データ１０３等として追加される。
入力データ３０２は、配合に関する配合データ１０１を含み、基材を複数配合した燃料油組成物を組成する基材の配合に関するデータである。配合データ１０１は、分解軽油（ＬＣＯ）、直脱軽油（ＤＳＧＯ）、脱硫残油（ＤＳＲＣ）及び分解残油（ＣＬＯ）等の基材を実際に配合した燃料油組成物の配合に関するデータであり、具体的には、基材種類、配合割合、配合量及び配合順序等に関するデータである。基材種類のデータには、基材の貯蔵期間、生成場所及び生成時期等のデータが含まれる。
入力データ３０２は、セジメント発生データ１０２を含み、燃料油組成物におけるセジメント発生に関するデータである。セジメント発生データ１０２は、実際に配合した燃料油組成物で発生した実在セジメント（ＴＳＥ）及び潜在セジメント（ＴＳＰ）の発生量に関するデータである。
入力データ３０２は、使用可能基材データ１０３を含み、具体的には、所有している、又は取得可能な基材の種類、量、貯蔵期間、生成場所及び生成時期等に関するデータである。
入力データ３０２は、記憶部１０に記憶されている性状データ１００、配合データ１０１、セジメント発生データ１０２及び使用可能基材データ１０３等として追加される。
＜第２機械学習部＞
第２機械学習部４０は、要求セジメント発生データ３００、品質性状データ３０１及び使用可能基材データ１０３から抽出した第２入力変数４００を機械学習の第２アルゴリズム４０１により、第１予測モデル２０２を用いて、セジメント発生量及び品質性状を満足する仮想燃料油組成物の配合に関する配合データ４０２を提示する。
第２機械学習部４０は、要求セジメント発生データ３００、品質性状データ３０１及び使用可能基材データ１０３から抽出した第２入力変数４００を機械学習の第２アルゴリズム４０１により、第１予測モデル２０２を用いて、セジメント発生量及び品質性状を満足する仮想燃料油組成物の配合に関する配合データ４０２を提示する。
第２機械学習部４０で取り扱う第２入力変数４００としての要求セジメント発生データ３００、品質性状データ３０１及び使用可能基材データ１０３は、具体的には、将来的に配合して製造する燃料油組成物（仮想燃料油組成物）に要求されるセジメント発生量に関するデータ、将来的に配合して製造する燃料油組成物（仮想燃料油組成物）に要求される品質性状に関するデータ、及び、配合に使用することが可能な基材に関するデータ等が挙げられ、これらの群から選ばれる少なくとも１つを含むことが好ましい。
第２アルゴリズム４０１としては、遺伝的アルゴリズム、勾配降下法及びベイズ最適化が挙げられ、これらの群から選ばれる少なくとも１つであることが好ましい。第２アルゴリズム４０１としては、セジメント発生量及び品質性状を満足する仮想燃料油組成物の配合に関する配合データ４０２の精度の観点から、遺伝的アルゴリズム及びベイズ最適化がより好ましく、ベイズ最適化がさらに好ましい。
配合データ４０２は、要求されるセジメント発生量及び要求される品質性状を満足する仮想燃料油組成物の配合に関するデータである。配合データ４０２は、第１予測モデル２０２を用い、要求セジメント発生データ３００、品質性状データ３０１及び使用可能基材データ１０３から抽出した第２入力変数４００を機械学習の第２アルゴリズム４０１を用いることで得ることができる。
燃料油組成物製造システム１は、仮想燃料油組成物の品質性状を予測可能なブレンドシミュレータ６０をさらに備えることが好ましい。ブレンドシミュレータ６０は、配合データ４０２に基づいて仮想燃料油組成物の品質性状を予測し、品質性状を満足する仮想燃料油組成物の配合候補を絞ることができる。ブレンドシミュレータ６０によって、仮想燃料油組成物の配合候補を絞ることで、好適な燃料油組成物を効率よく製造することができる。
〔燃料油組成物の製造方法〕
本実施形態に係る燃料油組成物の製造方法は、図２に示すように、記憶工程Ｓ１０と、第１機械学習工程Ｓ１１と、入力工程Ｓ１２と、第２機械学習工程Ｓ１３とを含む。以下に、本実施形態に係る燃料油組成物の製造方法を図１及び図２を参照して説明する。
本実施形態に係る燃料油組成物の製造方法は、図２に示すように、記憶工程Ｓ１０と、第１機械学習工程Ｓ１１と、入力工程Ｓ１２と、第２機械学習工程Ｓ１３とを含む。以下に、本実施形態に係る燃料油組成物の製造方法を図１及び図２を参照して説明する。
＜記憶工程＞
記憶工程Ｓ１０において、性状データ１００、配合データ１０１、セジメント発生データ１０２及び使用可能基材データ１０３を記憶部１０に記憶する。記憶部１０に記憶する方法としては、例えば、入力部３０を利用して、性状データ１００、配合データ１０１、セジメント発生データ１０２及び使用可能基材データ１０３を入力することで記憶させる手段が挙げられる。
記憶工程Ｓ１０において、性状データ１００、配合データ１０１、セジメント発生データ１０２及び使用可能基材データ１０３を記憶部１０に記憶する。記憶部１０に記憶する方法としては、例えば、入力部３０を利用して、性状データ１００、配合データ１０１、セジメント発生データ１０２及び使用可能基材データ１０３を入力することで記憶させる手段が挙げられる。
＜第１機械学習工程＞
第１機械学習工程Ｓ１１において、性状データ１００及び配合データ１０１から抽出した第１入力変数２００を機械学習の第１アルゴリズム２０１により、セジメント発生データ１０２と第１入力変数２００の相関関係を導き出すことにより、セジメント発生データ１０２を第１入力変数２００から決定するための第１予測モデル２０２を第１機械学習部２０で作成する。
具体的には、まず、第１機械学習部２０は、記憶部１０に記憶されている性状データ１００及び配合データ１０１を参照し、性状データ１００及び配合データ１０１から第１入力変数２００を抽出する。
次いで、第１機械学習部２０は、抽出した第１入力変数２００を機械学習の第１アルゴリズム２０１により、セジメント発生データ１０２と第１入力変数２００の相関関係を導き出す。即ち、第１機械学習部２０は、セジメント発生データ１０２と第１入力変数２００の相関を見出すために、様々な演算を行い、セジメント発生量の予測精度が最も高くなるハイパーパラメータを設定した第１予測モデル２０２を作成する。
第１機械学習部２０は、第１予測モデル２０２を作成する毎に、作成した第１予測モデル２０２を記憶部１０に記憶させ、第１予測モデル２０２を作成する際に、記憶した第１予測モデル２０２を用いた機械学習を行うことができる。
第１機械学習工程Ｓ１１において、性状データ１００及び配合データ１０１から抽出した第１入力変数２００を機械学習の第１アルゴリズム２０１により、セジメント発生データ１０２と第１入力変数２００の相関関係を導き出すことにより、セジメント発生データ１０２を第１入力変数２００から決定するための第１予測モデル２０２を第１機械学習部２０で作成する。
具体的には、まず、第１機械学習部２０は、記憶部１０に記憶されている性状データ１００及び配合データ１０１を参照し、性状データ１００及び配合データ１０１から第１入力変数２００を抽出する。
次いで、第１機械学習部２０は、抽出した第１入力変数２００を機械学習の第１アルゴリズム２０１により、セジメント発生データ１０２と第１入力変数２００の相関関係を導き出す。即ち、第１機械学習部２０は、セジメント発生データ１０２と第１入力変数２００の相関を見出すために、様々な演算を行い、セジメント発生量の予測精度が最も高くなるハイパーパラメータを設定した第１予測モデル２０２を作成する。
第１機械学習部２０は、第１予測モデル２０２を作成する毎に、作成した第１予測モデル２０２を記憶部１０に記憶させ、第１予測モデル２０２を作成する際に、記憶した第１予測モデル２０２を用いた機械学習を行うことができる。
＜入力工程＞
入力工程Ｓ１２において、任意の基材を複数配合することで得られる仮想燃料油組成物に要求されるセジメント発生量に関する要求セジメント発生データ３００及び仮想燃料油組成物に要求される品質性状に関する品質性状データ３０１を入力部３０に入力する。
また、入力工程Ｓ１２において、任意の基材を複数配合することで得られる仮想燃料油組成物を組成する基材の性状を示す性状データ１００及び配合に関する配合データ１０１を含む入力データ３０２を入力部３０に入力する。
入力部３０で入力された要求セジメント発生データ３００、品質性状データ３０１及び入力データ３０２は、記憶部１０に書き込まれて記憶される。
入力工程Ｓ１２において、任意の基材を複数配合することで得られる仮想燃料油組成物に要求されるセジメント発生量に関する要求セジメント発生データ３００及び仮想燃料油組成物に要求される品質性状に関する品質性状データ３０１を入力部３０に入力する。
また、入力工程Ｓ１２において、任意の基材を複数配合することで得られる仮想燃料油組成物を組成する基材の性状を示す性状データ１００及び配合に関する配合データ１０１を含む入力データ３０２を入力部３０に入力する。
入力部３０で入力された要求セジメント発生データ３００、品質性状データ３０１及び入力データ３０２は、記憶部１０に書き込まれて記憶される。
＜第２機械学習工程＞
第２機械学習工程Ｓ１３において、要求セジメント発生データ３００、品質性状データ３０１及び使用可能基材データ１０３から抽出した第２入力変数４００を機械学習の第２アルゴリズム４０１により、第１予測モデル２０２を用いて、セジメント発生量及び品質性状を満足する仮想燃料油組成物の配合に関する配合データ４０２を第２機械学習部４０で作成し、提示する。
具体的には、まず、第２機械学習部４０は、記憶部１０に記憶されている要求セジメント発生データ３００、品質性状データ３０１及び使用可能基材データ１０３から第２入力変数４００を抽出する。
次いで、第２機械学習部４０は、抽出した第２入力変数４００を機械学習の第２アルゴリズム２０１により様々な演算を行い、第１予測モデル２０２を用いて、配合に使用可能な基材によって得られる燃料油組成物のうち、セジメント発生量及び品質性状を満足する仮想燃料油組成物の最適な配合を見出し、最適な配合に関する配合データ４０２を提示する。
第２機械学習工程Ｓ１３において、要求セジメント発生データ３００、品質性状データ３０１及び使用可能基材データ１０３から抽出した第２入力変数４００を機械学習の第２アルゴリズム４０１により、第１予測モデル２０２を用いて、セジメント発生量及び品質性状を満足する仮想燃料油組成物の配合に関する配合データ４０２を第２機械学習部４０で作成し、提示する。
具体的には、まず、第２機械学習部４０は、記憶部１０に記憶されている要求セジメント発生データ３００、品質性状データ３０１及び使用可能基材データ１０３から第２入力変数４００を抽出する。
次いで、第２機械学習部４０は、抽出した第２入力変数４００を機械学習の第２アルゴリズム２０１により様々な演算を行い、第１予測モデル２０２を用いて、配合に使用可能な基材によって得られる燃料油組成物のうち、セジメント発生量及び品質性状を満足する仮想燃料油組成物の最適な配合を見出し、最適な配合に関する配合データ４０２を提示する。
＜製造工程＞
第２機械学習工程Ｓ１３において提示された配合データ４０２に基づいて燃料油組成物を製造する。
なお、配合データ４０２は、ブレンドシミュレータ６０によって、仮想燃料油組成物の品質性状を予測し、品質性状を満足する仮想燃料油組成物の配合候補を絞ることが好ましい。
第２機械学習工程Ｓ１３において提示された配合データ４０２に基づいて燃料油組成物を製造する。
なお、配合データ４０２は、ブレンドシミュレータ６０によって、仮想燃料油組成物の品質性状を予測し、品質性状を満足する仮想燃料油組成物の配合候補を絞ることが好ましい。
本実施形態の燃料油組成物製造システム及び燃料油組成物製造方法によれば、燃料油組成物を配合する前段階において、セジメント発生量及び品質性状を満足する燃料油組成物の配合を決定することができる。
本実施形態の燃料油組成物製造システム及び燃料油組成物製造方法によれば、セジメント発生量及び品質性状を満足する燃料油組成物を、使用可能な基材から選択的に使用することで製造することができる。
本実施形態の燃料油組成物製造システム及び燃料油組成物製造方法によれば、セジメント発生量及び品質性状を満足する燃料油組成物を、使用可能な基材から選択的に使用することで製造することができる。
本実施形態の燃料油組成物製造システム及び燃料油組成物の製造方法は、実際に製造する前の燃料油組成物における品質性状及びセジメントの発生を予測することができるので、所望の品質性状を有し、セジメントの発生が少ない燃料油組成物を製造することに寄与し、所有している基材を無駄なく好適に使用することができる。
１：燃料油組成物製造システム
１０：記憶部
２０：第１機械学習部
３０：入力部
４０：第２機械学習部
５０：システムバス
６０：ブレンドシミュレータ
１０：記憶部
２０：第１機械学習部
３０：入力部
４０：第２機械学習部
５０：システムバス
６０：ブレンドシミュレータ
Claims (8)
- 基材の性状を示す性状データ、前記基材を複数配合した燃料油組成物を組成する前記基材の配合に関する配合データ、前記燃料油組成物におけるセジメント発生に関するセジメント発生データ及び配合に使用可能な基材に関する使用可能基材データを記憶する記憶部と、
前記性状データ及び前記配合データから抽出した第１入力変数を機械学習の第１アルゴリズムにより、前記セジメント発生データと前記第１入力変数との相関関係を導き出すことにより、前記セジメント発生データを前記第１入力変数から決定するための第１予測モデルを作成する第１機械学習部と、
任意の基材を複数配合することで得られる仮想燃料油組成物に要求されるセジメント発生量に関する要求セジメント発生データ及び前記仮想燃料油組成物に要求される品質性状に関する品質性状データを入力する入力部と、
前記要求セジメント発生データ、前記品質性状データ及び前記使用可能基材データから抽出した第２入力変数を機械学習の第２アルゴリズムにより、前記第１予測モデルを用いて、前記セジメント発生量及び前記品質性状を満足する前記仮想燃料油組成物の配合に関する配合データを提示する第２機械学習部とを備える、燃料油組成物製造システム。 - 前記第１アルゴリズムは、サポートベクターマシン、線形回帰、ランダムフォレスト、ニューラルネットワーク及び勾配ブースティング木の群から選ばれる少なくとも１つである、請求項１に記載の燃料油組成物製造システム。
- 前記第１入力変数は、１５℃密度、５０℃動粘度、硫黄分含有量、流動点、引火点、セタン指数、混合比率、貯蔵期間、総発熱量、ＣＣＡＩ、残留炭素分、水分含有量、灰分量、アルミニウム含有量、飽和分含有量、芳香族分含有量、レジン含有量、アスファルテン含有量、蒸留性状、曇り点、基材種類、配合割合及び配合量からなる群から選ばれる少なくとも１つを含む、請求項１又は２に記載の燃料油組成物製造システム。
- 前記第２アルゴリズムは、遺伝的アルゴリズム、勾配降下法及びベイズ最適化の群から選ばれる少なくとも１つである、請求項１〜３のいずれか１項に記載の燃料油組成物製造システム。
- 前記仮想燃料油組成物の品質性状を予測可能なブレンドシミュレータをさらに備え、
前記ブレンドシミュレータは、品質性状を満足する前記仮想燃料油組成物の配合候補を絞る、請求項１〜４のいずれか１項に記載の燃料油組成物製造システム。 - 前記セジメント発生データは、実在スラッジの発生データ及び潜在スラッジの発生データに関する、請求項１〜５のいずれか１項に記載の燃料油組成物製造システム。
- 前記基材は、分解軽油、直脱軽油、脱硫残油及び分解残油の群から選ばれる少なくとも１つを含む、請求項１〜６のいずれか１項に記載の燃料油組成物製造システム。
- 基材の性状を示す性状データ、前記基材を複数配合した燃料油組成物を組成する前記基材の配合に関する配合データ、前記燃料油組成物におけるセジメント発生に関するセジメント発生データ及び配合に使用可能な基材に関する使用可能基材データを記憶部に記憶する工程と、
前記性状データ及び前記配合データから抽出した第１入力変数を機械学習の第１アルゴリズムにより、前記セジメント発生データと前記第１入力変数との相関関係を導き出すことにより、前記セジメント発生データを前記第１入力変数から決定するための第１予測モデルを第１機械学習部で作成する工程と、
任意の基材を複数配合することで得られる仮想燃料油組成物に要求されるセジメント発生量に関する要求セジメント発生データ及び前記仮想燃料油組成物に要求される品質性状に関する品質性状データを入力部に入力する工程と、
前記要求セジメント発生データ、前記品質性状データ及び前記使用可能基材データから抽出した第２入力変数を機械学習の第２アルゴリズムにより、前記第１予測モデルを用いて、前記セジメント発生量及び前記品質性状を満足する前記仮想燃料油組成物の配合に関する配合データを第２機械学習部で提示する工程とを含む、燃料油組成物の製造方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019126994A JP2021011548A (ja) | 2019-07-08 | 2019-07-08 | 燃料油組成物製造システム及び燃料油組成物の製造方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019126994A JP2021011548A (ja) | 2019-07-08 | 2019-07-08 | 燃料油組成物製造システム及び燃料油組成物の製造方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2021011548A true JP2021011548A (ja) | 2021-02-04 |
Family
ID=74227835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019126994A Pending JP2021011548A (ja) | 2019-07-08 | 2019-07-08 | 燃料油組成物製造システム及び燃料油組成物の製造方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2021011548A (ja) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0726275A (ja) * | 1993-07-07 | 1995-01-27 | Idemitsu Eng Co Ltd | ガソリンの製造方法及び製造装置 |
| JP2002329187A (ja) * | 2001-04-27 | 2002-11-15 | Petroleum Energy Center | 石油コンビナートの運転条件の推定方法 |
| JP2009215417A (ja) * | 2008-03-10 | 2009-09-24 | Nippon Oil Corp | Ａ重油組成物 |
| JP2018203926A (ja) * | 2017-06-07 | 2018-12-27 | コスモ石油株式会社 | 基材の配合比率の提供方法 |
| JP2020169236A (ja) * | 2019-04-01 | 2020-10-15 | 出光興産株式会社 | セジメント発生予測システム、セジメント発生予測方法及び燃料油組成物の製造方法 |
-
2019
- 2019-07-08 JP JP2019126994A patent/JP2021011548A/ja active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0726275A (ja) * | 1993-07-07 | 1995-01-27 | Idemitsu Eng Co Ltd | ガソリンの製造方法及び製造装置 |
| JP2002329187A (ja) * | 2001-04-27 | 2002-11-15 | Petroleum Energy Center | 石油コンビナートの運転条件の推定方法 |
| JP2009215417A (ja) * | 2008-03-10 | 2009-09-24 | Nippon Oil Corp | Ａ重油組成物 |
| JP2018203926A (ja) * | 2017-06-07 | 2018-12-27 | コスモ石油株式会社 | 基材の配合比率の提供方法 |
| JP2020169236A (ja) * | 2019-04-01 | 2020-10-15 | 出光興産株式会社 | セジメント発生予測システム、セジメント発生予測方法及び燃料油組成物の製造方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Profit and policy implications of producing biodiesel–ethanol–diesel fuel blends to specification | |
| Mehl et al. | A comprehensive detailed kinetic mechanism for the simulation of transportation fuels | |
| Yunus et al. | A systematic methodology for design of tailor-made blended products | |
| AlRamadan et al. | A blending rule for octane numbers of PRFs and TPRFs with ethanol | |
| US8986402B2 (en) | Method for controlling and optimizing the manufacture of gasoline blendstocks for blending with an alcohol as an oxygenate | |
| Flora et al. | Properties calculator and optimization for drop-in alternative jet fuel blends | |
| Hernández et al. | Evaluation of mixing rules to predict viscosity of petrodiesel and biodiesel blends | |
| Waheed Bhutto et al. | Forecasting the consumption of gasoline in transport sector in pakistan based on ARIMA model | |
| Al‐Nuaimi et al. | Optimization of the aromatic/paraffinic composition of synthetic jet fuels | |
| Freeman et al. | Initial assessment of US refineries for purposes of potential bio-based oil insertions | |
| Wu et al. | Molecular management for refining operations | |
| Julio et al. | Assessment of the sustainability and economic potential of hydrotreated vegetable oils to complement diesel and biodiesel blends in Brazil | |
| Windom et al. | Measurements and modeling study on a high-aromatic diesel fuel | |
| Ababneh et al. | Enhancing the lubricity of gas-to-liquid (GTL) paraffinic kerosene: impact of the additives on the physicochemical properties | |
| Yang et al. | Maximizing Sustainable aviation fuel usage through optimization of distillation cut points and blending | |
| Carlson et al. | Economic analysis of the benefits to petroleum refiners for low carbon boosted spark ignition biofuels | |
| JP2020169236A (ja) | セジメント発生予測システム、セジメント発生予測方法及び燃料油組成物の製造方法 | |
| Kontoulis et al. | Development and CFD validation of an integrated model for marine heavy fuel oil thermophysical properties | |
| Jiang et al. | Potential economic values of low-vapor-pressure gasoline-range bio-blendstocks: Property estimation and blending optimization | |
| JP2021011548A (ja) | 燃料油組成物製造システム及び燃料油組成物の製造方法 | |
| Wu et al. | Artificial neural network model to predict cold filter plugging point of blended diesel fuels | |
| Hernández et al. | A novel group-based correlation for the ignition delay time of paraffinic-type fuels | |
| Jiang | Optimisation of diesel and gasoline blending operations | |
| De Goede et al. | A Comparison of the Stability Performance of Blends of Paraffinic Diesel and Petroleum‐Derived Diesel, with RME Biodiesel Using Laboratory Stability Measurement Techniques | |
| JP2009126935A (ja) | 軽油燃料組成物 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220224 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230228 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230328 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230525 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230718 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231024 |