JPH08502360A - 軽油のセタン価の予測方法 - Google Patents

Abstract

(57)【要約】 軽油のセタン価を予測する方法であって、ａ）多様な給源から得た多数の軽油のセットのＩ．Ｒ．スペクトルを測定するステップ；ｂ）前記スペクトル域内で一定範囲の波数を選択し、多数の当該波長を吸収データに変換し、前記吸収データを、多変量統計解析またはニューラルネットワークへの入力として使用するステップ；ｃ）多変量統計解析またはニューラルネットワークを使用してスペクトルデータを分析するステップ；ｄ）従来の測定によって軽油のセタン価を決定するステップ；ｅ）測定Ｉ．Ｒ．データと従来の測定によるセタン価データとを含むトレーニングデータセットを選択し、得られた吸収値をセタン値と相関させ、予測データセットを生成するステップ；ｆ）前記データを、セタン価が未知の軽油の同じ条件下で得た赤外線スペクトルに適用し、未知の軽油のセタン価を得るステップを実施する方法。

Description

【発明の詳細な説明】 軽油のセタン価の予測方法 本発明は、（近）赤外線（（Ｎ．）Ｉ．Ｒ．）スペクトルをセタン価と相関さ せることにより軽油のセタン価を予測する方法に係わる。当業者には公知のよう に、有機化合物は赤外線域（約１〜３００μｍ）に固有のスペクトルフィンガー プリントを有する。 最近の市場では、バルク燃料に対して、製品の品質及び性能により重きが置か れる傾向がある。全ての販売キャンペーンは、顧客に、その燃料が他よりも著し く優れた性能を表わすことを納得させるよう図っており、この考え方は続くと予 想される。このような方策には、精製からブレンディング、そして最終的に顧客 に配給されるまでの十分な品質保証による支援が必要である。この条件は、燃料 の性能を測定する品質モニター装置を使用することにより満足されるのが最善で ある。 今のところ、製油所を離れた後、燃料がまだ規格範囲内にあるかどうかを見る 定量検査が継続的に行われることはなく、透明度や臭い、表示された密度を有す るかどうかは、手作業で検査するしかない。最近の進歩した燃料の高度に 複雑な特性を考えると、これは十分ではない。燃料の性能規格を実際に測定する 品質モニター装置パッケージは有益であり、そうすれば、燃料の劣化、他の燃料 との相互汚染（cross contamination）、燃料組成の変化を流通経路において検 出し、指摘し得る。このことにより、顧客が所望のものを確実に入手するだけで なく、流通経路で起こり得る問題を発見し、対処し得る。 軽油などの燃料の重要な性能尺度として、ディーゼル油の着火性を表わす量で あるセタン価がある。セタン価測定用のエンジンが存在する。 自動車用ガソリンのオクタン価測定と同様に標準燃料が使用される。かかる標 準燃料はｎ−セタン及びα−メチルナフタレンである。着火性は、試験エンジン において着火性能が燃料のそれと一致するα−メチルナフタレンとのブレンド中 のセタンの容量％であるセタン価で表わされる。実際にはセタンエンジンはめっ たに使用されず、セタンは通常は他の測定値、例えば密度及び蒸留性状から「セ タン指数」として計算される。しかしながらセタン指数は、将来のディーゼル燃 料には適当でない可能性があり、セタン価に代わる測定値が必要とされている。 また、軽油のセタン価を近赤外線（Ｎ．Ｉ．Ｒ．）スペクトルの関数として決 定することが既に提案されている（例えば欧州特許出願第０，３０４，２３２号 明細書参照）。 しかしながら、これまでのところ（近赤外線及び中赤外線を含む）Ｉ．Ｒ．ス ペクトル（有利には０．７８〜３０μｍの波長を適用する）から軽油のセタン価 を予測することはできなかった。 従って本発明の目的は、未知の軽油のセタン価を予測する方法であって、広範 囲のセタン価を有する混合生成物及びプロセスストリーム（process stream）の セタン価を予測する方法を提供することである。 本発明は、軽油のセタン価を予測する方法であって、 ａ）多様な給源から得た多数の軽油のＩ．Ｒ．スペクトルを測定するステップ ； ｂ）前記スペクトル域内で一定範囲の波数を選択し、多数の該当波長を吸収デ ータに変換し、前記吸収データを、多変量統計解析またはニューラル（neural） ネットワークへの入力として使用するステップ； ｃ）多変量統計解析またはニューラルネットワークを使用してスペクトルデー タを分析するステップ； ｄ）従来の測定によって軽油のセタン価を決定するステップ； ｅ）測定されたＩ．Ｒ．データと従来の測定によるセタン価データとを含むト レーニングデータセットを選択し、得られた吸収値をセタン価と相関させ、予測 データセットを生成するステップ；及び ｆ）前記データを、セタン価が未知の軽油の同じ条件下で得た赤外線スペクト ルに適用し、未知の軽油のセタン価を得るステップ からなる方法を提供する。 前述したように、本発明は、軽油のセタン価をその赤外線スペクトルと相関さ せるという原理に基づいている。この原理自体は公知であり（例えば欧州特許出 願第０，３０４，２３２号明細書及び欧州特許出願第０，２８５，２５１号明細 書）、詳細には記載しない。 本発明によれば、多様な給源から得た多数の軽油（有利には少なくとも１００ 種）の赤外線スペクトルが測定される。異なった種々の２次変換プロセスによる 成分があっても良い。 このあとの任意の統計的予測ツールの汎用性及び適用性 を決定することになるので、多様性は重要である。 使用するスペクトル域は、最終的な完全ブレンド軽油に対しては９０００〜４ ５００波数である。セタン価に影響するので、セタン着火性向上剤濃度の測定も 必要である（１６００〜１７００波数、有利には１６３０波数）。リアルタイム プロセス制御用の変換プロセスストリームで使用する場合にも、スペクトル域は ９０００〜４５００波数である。 次いで、従来の試験エンジン測定によりセタン価を決定すると共に、例えば部 分最小二乗法（Partial Least Squares）、多重線形回帰、既約階数回帰（Reduc ed Rank Regression）、主成分解析などのそれ自体は公知の多変量統計解析、ま たはニューラルネットワークを使用し、スペクトルを分析する。 次いで、セタン価が未知の軽油の同じ条件下で得た赤外線スペクトルに適用し 得る予測データを生成する。 予測の標準誤差はセタン価で０−４未満が達成された。 ニューラルネットワーク自体の一般理論及び一般操作は当業者には公知である ので、詳細は記載しない。 一般にニューラルネットワークは、学習期間内に入力変 数と出力変数との相関が探索されるシステムであると定義される。この学習期間 内に十分な例を与えられると、ニューラルネットワークは任意の入力に対して相 関出力を生成することができる。ニューラルネットワークは例えばパターン認識 問題に用途を有する。 当業者には、ニューラルネットワークは、（脳のニューロンと類似の）各々が 重み付けされ且つ他の層のエレメントに接続されている処理エレメントの層から なることが理解される。ネットワークは、間違いなく適確なデータを用いてトレ ーニングされる間に、エレメント間の重みを調整することでパターンを学習する 。 有利な学習アルゴリズムに従って、トレーニング誤差、即ち実際の結果と予測 結果との差が、トレーニングパターンからフィードバックを受け取らない隠れ層 に、ネットワークを介して逆伝送される。相互接続の重みは誤差を最小化するよ うに誤差の方向で僅かずつ調整され、トレーニングデータがもう一度実行される 。誤差が容認可能レベル、通常は初期測定値が再現可能なレベルに達するまでこ れが何回も繰り返される。 前述したように、多変量統計データ解析法はそれ自体公 知であるが、ここでは明瞭化のため、主成分解析を使用する赤外線スペクトルデ ータの分析を詳述する。 上記予測において、トレーニングセットは、そのスペクトル及び「エンジン測 定」セタン価を、あとで未知の軽油のセタン価を決定するために使用される予測 データの分析及び生成に使用する軽油と定義される。このトレーニングセットの 選択は、データの汎用性及び予測性能に厳密に影響するが故に明らかに重要であ る。トレーニングセットの軽油に対応するスペクトルセットに関するデータ解析 は以下のように行う： １．セットの平均スペクトルを生成し、個々のスペクトルと平均との差を計算 する。 ２．平均スペクトルは約５０００データポイント程度となるので、１セット１ ００の軽油の解析の問題は極めて難しい。取扱い可能な問題変数までデータを削 減する方法が必要とされている。差スペクトルを同時に解析することにより人工 スペクトルセットを計算し、データ変動を人工スペクトルによって説明すること ができる。ここでは差スペクトルは、軽油セットの平均スペクトルと個々の軽油 のスペクトルとの吸収の算術差と定義される。人工スペクトル は主成分として公知であり、適正な割合で平均スペクトルに加算されたときは、 個々の軽油スペクトルを再生する。例えば、典型的な主成分数は１０であり、各 主成分の適当な因子（contribution）を平均に加算することにより、元の軽油ス ペクトルを再生することができる。各主成分に帰する因子は主成分スコア（scor e）として公知であり、スコアは各軽油に対して異なる。 ３．軽油スペクトルの情報を、それぞれ５０００データポイントから１０主成 分スコアに削減する。多重線形回帰のような手法を使用し、これらのスコアをエ ンジン測定セタン価と相関させ得る。 ４．このあとの未知の軽油の分析は、スペクトルを測定し、該スペクトルを、 トレーニングセットの軽油のスペクトルを表わすのに前に使用した主成分によっ て表わすことを含む。この結果、未知の軽油の主成分スコアセットが得られる。 先の多重線形回帰の相関係数を、未知の軽油スペクトルの主成分スコアに適用し 、未知の軽油のセタン価を得る。 ５．ニューラルネットワーク法による分析は、測定する波長の数を物理的に減 らすことによりデータを削減するこ とから、上記とは異なる。このデータ削減は以下のように行われる：トレーニン グ軽油セットにおいて主成分解析を行い、各スペクトルデータポイントのセタン 価との相関に対する相対重要性を表わす「固有スペクトル」を生成する。次いで 、スペクトル測定値を典型的には５〜１０の個別の波長に単純化する。 １つの波長は、計測ドリフトを補正するための伝送基準として使用することが 有利である。 前記基準によって補正された残りの波長は吸収データに変換される。これは対 数的に行うことができ、データは、各波長に対する所定の区間内で数学的に目盛 りを割り当てられる。いずれかの燃料、より多くはプロセスストリームに予想さ れる最終値（extreme values）を使用し、試験すべき燃料に対して目盛りを設定 し得る、各波長における容認可能な吸収域を与え得る。吸収値は、ニューラルネ ットワークへの入力として使用される。ニューラルネットワークはパターン認識 タスクを実行するが、ここでの用途は明らかに、セタン価に関するスペクトルデ ータのパターンを認識することである。ニューラルネットワークを使用して未知 の軽油のセタン価を予測する前に、ネットワークを 「トレーニング」する必要がある。トレーニング方法は、サイズ及びアーキテク チャーが該認識問題に適合するように設計されたネットワークに対して「トレー ニングセット」を選択することである。トレーニングフェーズの間、ニューラル ネットワークには各軽油の赤外線データとエンジン測定セタン価とが繰返し与え られ、関係が「学習」される。「学習」方法は、赤外線データを与える都度ニュ ーラルネットワークによってセタン価が予測され、それをエンジン価と比較し、 差をフィードバックとして使用してニューラルネットワークをその次の予測に対 して補正するというものである。一旦ニューラルネットワークが関係を「学習」 したならば、データセットは別のトレーニングセットと、「学習」フェーズでは 使用されない妥当性検査セットとに分割されるべきである。ネットワークが十分 に「学習」し、予測誤差が元来のエンジンによるセタン価決定における不確実性 に匹敵するまで、このプロセスが継続される。一旦このフェーズが完了したなら ば、トレーニングの間に使用した波長における赤外線スペクトルデータを測定す れば、ニューラルネットワークを使用して未知の軽油のセタン価を予測し得る。 特に、入力と既知の出力、即ち軽油の赤外線とその関連セタン価データとを繰 り返し与えて両者の関係を学習させ、標準的方法によって測定された実際の関連 セタン価データに対する予測値の性能をトレーニングデータにおいてモニターし 、吸収値とセタン価とを相関させ、前記学習期間後に調整ネットワークの相互接 続重み及びバイアスの値のセットを生成し、ネットワークアルゴリズムを使用し 、セタン価が未知の軽油の同じ条件下で得た赤外線スペクトルに対して調整値を 適用することにより、前記予測データを生成する。 使用するネットワークは、例えば第１層に４つの入力ノード、入力と出力の間 の第２層に２つの隠れノード、更に第３層に１つの出力ノードを含む３層アーキ テクチャーを有するのが好ましい。これは（４，２，１）ネットワークと称され ている。スペクトルデータは入力ノードに入力として与えられ、そこでは生成物 品質情報が出力である。 当業者には公知のように、ノードは所定の相互接続重みを有し、更にはバイア スされ得る。 ネットワークの重み及びバイアスを記憶し、それを使用して測定された赤外線 吸収値を含む入力データを分析し、 そのパターンを軽油のセタン価と相関させることができる。即ち、赤外線データ からセタン価を表わすネットワークアルゴリズムを使用する予測において、トレ ーニングされたあと妥当性検査データセットによって試験された重要なパラメー ターは、ノード間の相互接続の重みと、隠れノード及び出力ノードにおけるバイ アスである。 かかるパラメーターは、将来の燃料サンプルのセタン価分析用ネットワークア ルゴリズムにおいて問合せ及び実行され得る。 複数の出力に対しては、各出力に対してニューラルネットワークアルゴリズム が実行される。実行は、マイクロプロセッサーチップ上のソフトウェアコードに よるものであり、従って、容易に再プログラムし得るネットワークパラメーター の変更に対して融通性がある。 適用されるネットワークアーキテクチャーの各層内に存在するノードの正確な 数、場合によっては実際の層の数は可変であることは当業者には理解されよう。 ２〜５層を適用することが有利である。 本発明によれば、入力層のノード数は３〜１０、（１つまたはそれ以上の）隠 れ層のノード数は１〜１０、出力層 のノード数は１〜３であるのが有利である。特に（３，５，１）、（６，６，３ ）及び（６，６，６，３）ネットワークを適用し得る。 以下、本発明の方法を実施例によって説明する。実施例Ａ 種々の製油所から収集した２０種のブレンド軽油からなるトレーニングセット を、赤外線スペクトル域９０００〜４５００波数内で測定した。「セタンエンジ ン」を使用するＡＳＴＭＤ６１３に従い、全てのサンプルのセタン価を測定した 。トレーニングセットを上述の方法で分析した。主成分を使用して「人工スペク トル」によってデータを表わす分析を実施し、最初の３つの主成分スペクトルを ６４００〜４８００波数域内で得た。この実施例に使用したトレーニングセット には５つの主成分が必要であり、エンジン測定セタン価と、赤外線予測セタン価 との相関０．９４、標準セタン価予測誤差０．４未満という結果が示された。上 記分析に代え、セタン価予測用ニューラルネットワークを使用するならば、まず 、第１のトレーニングセットに対して主成分を分析し、重要な個別の波長を同定 し得る適正スペクトルを生成する。次に使用されるニューラルネット ワーク方法は、先の分析で同定された波長においてトレーニングセット赤外線デ ータを測定する。実施例Ｂ 赤外線セタン価測定の適用可能範囲を示すため、２０〜６０の広範囲のセタン 価を有する１１の軽油ブレンド成分、例えばlight cat cracked cycle oil、直 留分（straightrun distillate）のトレーニングセットを使用した。赤外線スペ クトルは９０００〜４５００波数域で測定した。３つの主成分を使用する予測デ ータを上述の方法において生成した。セタン価の予測値と測定値の相関係数０． ９９が得られた。相互妥当性検査から、未知の燃料における予測性能が優れてい ることが示された。この実施例のデータセットは、０．９より優れた標準予測誤 差をもつ結果を与えた。この性能は先のサンプルより低く、トレーニングセット がより小さかったこと、及び燃料のセタン価がより広範囲であったことを反映し ている。より大きなトレーニングセットで、この数字をサンプルＡに匹敵するレ ベルに向上し得るであろう。 上記説明及び添付の図面から、本発明の種々の変形が当業者には明らかである 。このような変形も請求の範囲内に 含まれるものとする。

【手続補正書】特許法第１８４条の８ 【提出日】１９９４年９月２１日 【補正内容】 自動車用ガソリンのオクタン価測定と同様に標準燃料が使用される。かかる標 準燃料はｎ−セタン及びα−メチルナフタレンである。着火性は、試験エンジン において着火性能が燃料のそれと一致するα−メチルナフタレンとのブレンド中 のセタンの容量％であるセタン価で表わされる。実際にはセタンエンジンはめっ たに使用されず、セタンは通常は他の測定値、例えば密度及び蒸留性状から「セ タン指数」として計算される。しかしながらセタン指数は、将来のディーゼル燃 料には適当でない可能性があり、セタン価に代わる測定値が必要とされている。 また、軽油のセタン価を近赤外線（Ｎ．Ｉ．Ｒ．）スペクトルの関数として決 定することが既に提案されている（例えば欧州特許出願第０，３０４，２３２号 明細書参照）。 しかしながら、これまでのところ（近赤外線及び中赤外線を含む）Ｉ．Ｒ．ス ペクトル（有利には０．７８〜３０μｍの波長を適用する）から軽油のセタン価 を予測することはできなかった。 従って本発明の目的は、未知の軽油のセタン価を予測する方法であって、広範 囲のセタン価を有する混合生成物及びプロセスストリーム（process stream）の セタン価を予 測する方法を提供することである。 本発明は、軽油のセタン価を予測する方法であって、 ａ）複数の軽油セットのＩ．Ｒ．スペクトルを測定するステップ； ｂ）前記スペクトル域内で一定範囲の波数を選択し、多数の該当波長を吸収デ ータに変換し、前記吸収データをニューラル（neural）ネットワークへの入力と して使用するステップ を含み、更に、 ｃ）ニューラルネットワークを使用してスペクトルデータを分析するステップ であって、該ニューラルネットワークの層の数が２〜５であり、層が３つ以上の 場合には、入力層のノード数が３〜１０であり、（１つまたはそれ以上の）隠れ 層のノード数が１〜１０であり、出力層のノード数が１〜３であるステップ； ｄ）従来の測定によって軽油のセタン価を決定するステップ； ｅ）測定されたＩ．Ｒ．データと従来の測定によるセタン価データとを含むト レーニングデータセットを選択し、得られた吸収値をセタン価と相関させ、予測 データセットを 生成するステップ；及び ｆ）前記データを、セタン価が未知の軽油の同じ条件下で得た赤外線スペクト ルに適用し、未知の軽油のセタン価を得るステップ を含むことを特徴とする方法を提供する。 前述したように、本発明は、軽油のセタン価をその赤外線スペクトルと相関さ せるという原理に基づいている。この原理自体は公知であり（例えば欧州特許出 願第０，３０４，２３２号明細書及び欧州特許出願第０，２８５，２５１号明細 書）、詳細には記載しない。技術文献ＲＤ３２７１３５は、ガソリンのオクタン 価を決定するニューラルネットワークを開示しているが、本発明のセタン価を決 定する特定のニューラルネットワークはこれまでに示されていない。 本発明によれば、多様な給源から得た多数の軽油（有利には少なくとも１００ 種）の赤外線スペクトルが測定される。異なった種々の２次変換プロセスによる 成分があっても良い。 このあとの任意の統計的予測ツールの汎用性及び適用性を決定することになる ので、多様性は重要である。 使用するスペクトル域は、最終的な完全ブレンド軽油に対しては９０００〜４ ５００波数である。セタン価に影響するので、セタン着火性向上剤濃度の測定も 必要である（１６００〜１７００波数、有利には１６３０波数）。 リアルタイムプロセス制御用の変換プロセスストリームで使用する場合にも、 スペクトル域は９０００〜４５００波数である。 次いで、従来の試験エンジン測定によりセタン価を決定すると共に、例えば部 分最小二乗法（Partial Least Squares）、多重線形回帰、既約階数回帰（Reduc ed Rank Regression）、主成分解析などのそれ自体は公知の多変量統計解析、ま たはニューラルネットワークを使用し、スペクトルを分析する。 次いで、セタン価が未知の軽油の同じ条件下で得た赤外線スペクトルに適用し 得る予測データを生成する。 請求の範囲 １．軽油のセタン価を予測する方法であって、 ａ）複数の軽油セットのＩ．Ｒ．スペクトルを測定するステップ； ｂ）前記スペクトル域内で一定範囲の波数を選択し、多数の当該波長を吸収デ ータに変換し、前記吸収データをニューラルネットワークへの入力として使用す るステップを含み、更に、 ｃ）ニューラルネットワークを使用してスペクトルデータを分析するステップ であって、該ニューラルネットワークの層の数が２〜５であり、層が３つ以上の 場合には、入力層のノード数が３〜１０であり、（１つまたはそれ以上の）隠れ 層のノード数が１〜１０であり、出力層のノード数が１〜３であるステップ； ｄ）従来の測定によって軽油のセタン価を決定するステップ； ｅ）測定Ｉ．Ｒ．データと従来の測定によるセタン価データとを含むトレーニ ングデータセットを選択し、得られた吸収値をセタン価と相関させ、予測データ セットを生成するステップ；及び ｆ）前記データを、セタン価が未知の軽油の同じ条件下で得た赤外線スペクト ルに適用し、未知の軽油のセタン価を得るステップ を含むことを特徴とする方法。 ２．前記スペクトル域が波長０．７８〜３０μｍである請求項１に記載の方法。 ３．前記軽油セットが少なくとも１００である請求項１または２に記載の方法。 ４．前記軽油セットが、異なった種々の２次変換プロセスによる成分を含む請求 項１から３のいずれか一項に記載の方法。 ５．最終的な完全ブレンド軽油に対し、使用するスペクトル域が９０００〜４５ ００波数であり、セタン着火性向上剤濃度を、スペクトル域１６００〜１７００ 波数で測定する請求項１から４のいずれか一項に記載の方法。 ６．広範囲のセタン価を有する変換プロセスストリームに対し、前記スペクトル 域が９０００〜４５００である請求項１から４のいずれか一項に記載の方法。 ７．入力と既知の出力、即ち軽油の近赤外線データとそのセタン価とを繰り返し 与えて両者の関係を学習させ、標準 的方法によって測定した実際のセタン価データに対する予測値の性能をトレーニ ングデータにおいてモニターし、吸収値とセタン価とを相関させるステップ； 前記学習期間後に、調整値としてネットワークの相互接続重みとバイアスから なる値のセットを生成するステップ； ネットワークアルゴリズムを使用し、セタン価が未知の軽油の同じ条件下で得 た赤外線スペクトルに前記調整値を適用するステップ を含む、ニューラルネットワークを適用する請求項１から６のいずれか一項に記 載の方法。 ８．前記ネットワークが、４つの入力ノード、２つの隠れノード及び１つの出力 ノードを有する（（４，２，１）ネットワーク）請求項１から７のいずれか一項 に記載の方法。 ９．前記ネットワークが（３，５，１）ネットワークである請求項１から７のい ずれか一項に記載の方法。 １０．前記ネットワークが（６，６，３）ネットワークである請求項１から７の いずれか一項に記載の方法。 １１．前記ネットワークが（６，６，６，３）ネットワークである請求項１から ７のいずれか一項に記載の方法。

───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ， ＤＫ，ＥＳ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，Ｍ Ｃ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ，ＳＮ， ＴＤ，ＴＧ)，ＡＴ，ＡＵ，ＢＢ，ＢＧ，ＢＲ，ＢＹ， ＣＡ，ＣＨ，ＣＺ，ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＧＢ，Ｈ Ｕ，ＪＰ，ＫＰ，ＫＲ，ＫＺ，ＬＫ，ＬＵ，ＭＧ，ＭＮ ，ＭＷ，ＮＬ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ， ＳＤ，ＳＥ，ＳＫ，ＵＡ，ＶＮ (72)発明者 ギルクリスト，キヤサリン・アン イギリス国、チエシヤー・シー・エイチ・ １・３・エス・エイチ、チエスター、イン ス、プール・レーン（番地なし) (72)発明者 トルチヤード，ジヨン・マイケル イギリス国、チエシヤー・シー・エイチ・ １・３・エス・エイチ、チエスター、イン ス、プール・レーン（番地なし)

Claims (1)

1. 【特許請求の範囲】 １．軽油のセタン価を予測する方法であって、 ａ）多様な給源から得た多数の軽油のセットのＩ．Ｒ．スペクトルを測定する ステップ； ｂ）前記スペクトル域内で一定範囲の波数を選択し、多数の当該波長を吸収デ ータに変換し、前記吸収データを、多変量統計解析またはニューラルネットワー クへの入力として使用するステップ； ｃ）多変量統計解析またはニューラルネットワークを使用してスペクトルを分 析するステップ； ｄ）従来の測定によって軽油のセタン価を決定するステップ； ｅ）測定Ｉ．Ｒ．データと従来の測定によるセタン価データとを含むトレーニ ングデータセットを選択し、得られた吸収値をセタン価と相関させ、予測データ セットを生成するステップ；更に ｆ）前記データを、セタン価が未知の軽油の同じ条件下で得た赤外線スペクト ルに適用し、未知の軽油のセタン価を得るステップ からなる方法。 ２．前記スペクトル域が波長０．７８〜３０μｍである請求項１に記載の方法。 ３．前記軽油セットが少なくとも１００である請求項１または２に記載の方法。 ４．前記軽油セットが、異なった種々の２次変換プロセスによる成分を含む請求 項１から３のいずれか一項に記載の方法。 ５．最終的な完全ブレンド軽油に対し、使用するスペクトル域が９０００〜４５ ００波数であり、セタン着火性向上剤濃度を、スペクトル域１６００〜１７００ 波数で測定する請求項１から４のいずれか一項に記載の方法。 ６．広範囲のセタン価を有する変換プロセスストリームに対し、前記スペクトル 域が９０００〜４５００である請求項１から４のいずれか一項に記載の方法。 ７．入力と既知の出力、即ち軽油の近赤外線データとそのセタン価とを繰り返し 与えて両者の関係を学習させ、標準的方法によって測定した実際のセタン価デー タに対する予測値の性能をトレーニングデータにおいてモニターし、吸収値とセ タン価とを相関させるステップ； 前記学習期間後に、調整値としてネットワークの相互接 続重みとバイアスからなる値のセットを生成するステップ； ネットワークアルゴリズムを使用し、セタン価が未知の軽油の同じ条件下で得 た赤外線スペクトルに前記調整値を適用するステップ を含む、ニューラルネットワークを適用する請求項１から６のいずれか一項に記 載の方法。 ８．前記ニューラルネットワークの層の数が２〜５である請求項７に記載の方法 。 ９．適用される前記ニューラルネットワークが３層または４層アーキテクチャー を有する請求項１から７のいずれか一項に記載の方法。 １０．入力層のノード数が３〜１０であり、（１つまたはそれ以上の）隠れ層の ノード数が１〜１０であり、出力層のノード数が１〜３である請求項９に記載の 方法。 １１．前記ネットワークが、４つの入力ノード、２つの隠れノード及び１つの出 力ノードを有する（（４，２，１）ネットワーク）請求項９または１０に記載の 方法。 １２．前記ネットワークが（３，５，１）ネットワークである請求項９または１ ０に記載の方法。 １３．前記ネットワークが（６，６，３）ネットワークである請求項９または１ ０に記載の方法。 １４．前記ネットワークが（６，６，６，３）ネットワークである請求項９また は１０に記載の方法。 １５．前記予測データセットが、Ｉ．Ｒ．スペクトルの主成分スコア及びそれら の多重線形回帰係数であり、適用される多変量統計解析が主成分解析である請求 項１から６のいずれか一項に記載の方法。