JPH09305567A - 炭化水素燃料の評価方法 - Google Patents
炭化水素燃料の評価方法Info
- Publication number
- JPH09305567A JPH09305567A JP8112861A JP11286196A JPH09305567A JP H09305567 A JPH09305567 A JP H09305567A JP 8112861 A JP8112861 A JP 8112861A JP 11286196 A JP11286196 A JP 11286196A JP H09305567 A JPH09305567 A JP H09305567A
- Authority
- JP
- Japan
- Prior art keywords
- signal
- neural network
- near infrared
- hydrocarbon
- matrix
- 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
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 36
- 150000002430 hydrocarbons Chemical class 0.000 title claims abstract description 36
- 239000004215 Carbon black (E152) Substances 0.000 title claims abstract description 27
- 239000000446 fuel Substances 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 239000003502 gasoline Substances 0.000 claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000012937 correction Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 claims description 11
- 239000002283 diesel fuel Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- PAYRUJLWNCNPSJ-UHFFFAOYSA-N Aniline Chemical compound NC1=CC=CC=C1 PAYRUJLWNCNPSJ-UHFFFAOYSA-N 0.000 claims description 6
- 239000003350 kerosene Substances 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 238000004821 distillation Methods 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- WKBOTKDWSSQWDR-UHFFFAOYSA-N Bromine atom Chemical compound [Br] WKBOTKDWSSQWDR-UHFFFAOYSA-N 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- GDTBXPJZTBHREO-UHFFFAOYSA-N bromine Substances BrBr GDTBXPJZTBHREO-UHFFFAOYSA-N 0.000 claims description 3
- 229910052794 bromium Inorganic materials 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 2
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 238000010521 absorption reaction Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 17
- 239000000126 substance Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 230000006798 recombination Effects 0.000 description 7
- 238000005215 recombination Methods 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 241000922155 Isoodon obesulus Species 0.000 description 1
- 241000208422 Rhododendron Species 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- -1 foodstuffs Substances 0.000 description 1
- 239000005350 fused silica glass Substances 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 125000002496 methyl group Chemical group [H]C([H])([H])* 0.000 description 1
- 125000000325 methylidene group Chemical group [H]C([H])=* 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Liquid Carbonaceous Fuels (AREA)
Abstract
(57)【要約】
【課題】 特にガソリンその他の燃料等の炭化水素の評
価方法であって、入力であるＮＩＲ信号と出力である測
定されるパラメータとが直線関係にない場合であって
も、正確な読みとりが可能である方法を提供する。 【解決手段】 センサ１０は、炭化水素またはその他の
評価対象となる物質からのＮＩＲ信号を得る。伝送部材
１２は、センサ１０から得られたＮＩＲスペクトルを分
光計１４へと伝送し、分光器１４ではセンサ１０からの
信号が処理される。これにより、信号のベースライン補
正がなされ、所望数のポイントまで信号が減縮される。
ニューラルネットワーク１６は、分光器１４からの制約
化された信号を受信するよう学習されている。そして、
一以上の所望の炭化水素のパラメータを、制約化された
信号の所定ポイントにおける吸収値に基づいて測定し、
所望のパラメータが得られるように分光器１４から受信
した信号を処理する。
価方法であって、入力であるＮＩＲ信号と出力である測
定されるパラメータとが直線関係にない場合であって
も、正確な読みとりが可能である方法を提供する。 【解決手段】 センサ１０は、炭化水素またはその他の
評価対象となる物質からのＮＩＲ信号を得る。伝送部材
１２は、センサ１０から得られたＮＩＲスペクトルを分
光計１４へと伝送し、分光器１４ではセンサ１０からの
信号が処理される。これにより、信号のベースライン補
正がなされ、所望数のポイントまで信号が減縮される。
ニューラルネットワーク１６は、分光器１４からの制約
化された信号を受信するよう学習されている。そして、
一以上の所望の炭化水素のパラメータを、制約化された
信号の所定ポイントにおける吸収値に基づいて測定し、
所望のパラメータが得られるように分光器１４から受信
した信号を処理する。
Description
【０００１】
【発明の属する技術分野】本発明は物質の評価方法に関
し、主にガソリン、ディーゼル燃料、ナフサ、ジェット
燃料、ケロシン等の炭化水素燃料における一つ以上のパ
ラメータの決定に関する。
し、主にガソリン、ディーゼル燃料、ナフサ、ジェット
燃料、ケロシン等の炭化水素燃料における一つ以上のパ
ラメータの決定に関する。
【０００２】
【従来の技術】ガソリン等の燃料のパラメータの正確な
評価方法は、従来から必要とされている。特に、例えば
オクタン価、レイド蒸気圧（Ｒｅｉｄ ｖａｐｅｒ ｐｒ
ｅｓｓｕｒｅ）その他の、パラメータを正確に測定し
て、消費者それぞれの要求に正確に適合する製造物を供
給するために、このような方法は有用である。
評価方法は、従来から必要とされている。特に、例えば
オクタン価、レイド蒸気圧（Ｒｅｉｄ ｖａｐｅｒ ｐｒ
ｅｓｓｕｒｅ）その他の、パラメータを正確に測定し
て、消費者それぞれの要求に正確に適合する製造物を供
給するために、このような方法は有用である。
【０００３】近赤外線（Ｎｅａｒ ｉｎｆｒａｒｅｄ：
ＮＩＲ）分光法は、ある種の物質の評価に有用であるこ
とが知られており、これは、ＮＩＲ信号のバンドには、
物質のパラメータを示すものがあることによる。例え
ば、マガード（Ｍａｇｇａｒｄ）に付与された米国特許
第４，９６３，７４５号には、ＮＩＲ分光法を用いたガ
ソリンのオクタンの測定方法及び導関数を用いた数学的
処理が開示されている。
ＮＩＲ）分光法は、ある種の物質の評価に有用であるこ
とが知られており、これは、ＮＩＲ信号のバンドには、
物質のパラメータを示すものがあることによる。例え
ば、マガード（Ｍａｇｇａｒｄ）に付与された米国特許
第４，９６３，７４５号には、ＮＩＲ分光法を用いたガ
ソリンのオクタンの測定方法及び導関数を用いた数学的
処理が開示されている。
【０００４】
【発明が解決しようとする課題】この方法は、多変量解
析とも呼ばれ、いくつかのパラメータの測定に有用であ
る一方、高いＳ／Ｎ比及び長期安定性が要求される。更
に、得られるＮＩＲ分光データと測定されるパラメータ
とが直線関係となることが要求される。
析とも呼ばれ、いくつかのパラメータの測定に有用であ
る一方、高いＳ／Ｎ比及び長期安定性が要求される。更
に、得られるＮＩＲ分光データと測定されるパラメータ
とが直線関係となることが要求される。
【０００５】以上のことから、本発明は、ＮＩＲ分光法
による物質の所望のパラメータの評価方法、特にガソリ
ンその他の燃料等の炭化水素の評価方法であって、入力
であるＮＩＲ信号と出力である測定されるパラメータと
が直線関係にない場合であっても、正確な読みとりが可
能である方法を提供することを、その主な目的とする。
また、本発明は、ＮＩＲ信号に”ノイズ”の量が多いデ
ータ、つまり劣化したデータがある場合でも、正確な測
定を行い得る測定方法を提供することも目的とする。
による物質の所望のパラメータの評価方法、特にガソリ
ンその他の燃料等の炭化水素の評価方法であって、入力
であるＮＩＲ信号と出力である測定されるパラメータと
が直線関係にない場合であっても、正確な読みとりが可
能である方法を提供することを、その主な目的とする。
また、本発明は、ＮＩＲ信号に”ノイズ”の量が多いデ
ータ、つまり劣化したデータがある場合でも、正確な測
定を行い得る測定方法を提供することも目的とする。
【０００６】更に、本発明は、”オンライン”により測
定可能な評価方法を提供することも目的とする。その他
の目的及び利点は、以下の記載により示される。
定可能な評価方法を提供することも目的とする。その他
の目的及び利点は、以下の記載により示される。
【０００７】
【課題を解決するための手段】上述の目的及び利点は、
本発明によって容易に達成される。本発明によれば、炭
化水素、好ましくは、ガソリン、ディーゼル燃料、ナフ
サ、ジェット燃料、ケロシンその他の炭化水素燃料にお
ける所望のパラメータは、以下のように得られる。
本発明によって容易に達成される。本発明によれば、炭
化水素、好ましくは、ガソリン、ディーゼル燃料、ナフ
サ、ジェット燃料、ケロシンその他の炭化水素燃料にお
ける所望のパラメータは、以下のように得られる。
【０００８】即ち、評価される炭化水素燃料を用意し、
その炭化水素燃料の近赤外線信号を得て、この信号を所
望数のポイントに減縮するようにコード化し、所望のパ
ラメータに対して上記所望数のポイントに関連させて学
習されたニューラルネットワークを用意するとともに、
このニューラルネットワークによって上記所望のパラメ
ータが測定されるように上記所望数のポイントを処理す
る、という一連の処理により得られる。
その炭化水素燃料の近赤外線信号を得て、この信号を所
望数のポイントに減縮するようにコード化し、所望のパ
ラメータに対して上記所望数のポイントに関連させて学
習されたニューラルネットワークを用意するとともに、
このニューラルネットワークによって上記所望のパラメ
ータが測定されるように上記所望数のポイントを処理す
る、という一連の処理により得られる。
【０００９】正確に測定されるべきパラメータは、ＮＩ
Ｒ信号と線形関係にある必要はなく、このパラメータと
しては、レイド蒸気圧、疑似蒸留値、リサーチオクタン
価、モーターオクタン価、酸素成分、比重、セタン価、
臭素価、アニリン点、スモーク点、及びこれらの任意の
組み合わせ、及びその他の種々のパラメータのうちから
選択され得る。
Ｒ信号と線形関係にある必要はなく、このパラメータと
しては、レイド蒸気圧、疑似蒸留値、リサーチオクタン
価、モーターオクタン価、酸素成分、比重、セタン価、
臭素価、アニリン点、スモーク点、及びこれらの任意の
組み合わせ、及びその他の種々のパラメータのうちから
選択され得る。
【００１０】更に、本発明に係る方法の好適な用途とし
ては、炭化水素、種々の他の物質、例えば食料品、化学
製品その他のものが、本発明に係る方法によって評価可
能である。
ては、炭化水素、種々の他の物質、例えば食料品、化学
製品その他のものが、本発明に係る方法によって評価可
能である。
【００１１】
【発明の実施の形態】本発明は、物質、特にガソリン、
ディーゼル燃料、ケロシン及びその他の炭化水素の、好
ましくは”オンライン”形式による、所望のパラメータ
の評価測定に関する。上述したように、近赤外線（ＮＩ
Ｒ）分光分析により、対象となる物質の種々のパラメー
タに対応する信号を生成されることが知られている。し
かし、炭化水素燃料においては、相関が非線形となる。
一方、米国特許第４，９６３，７４５号等に開示される
従来の信号評価方法においては、その関係が線形である
ことが必要とされている。
ディーゼル燃料、ケロシン及びその他の炭化水素の、好
ましくは”オンライン”形式による、所望のパラメータ
の評価測定に関する。上述したように、近赤外線（ＮＩ
Ｒ）分光分析により、対象となる物質の種々のパラメー
タに対応する信号を生成されることが知られている。し
かし、炭化水素燃料においては、相関が非線形となる。
一方、米国特許第４，９６３，７４５号等に開示される
従来の信号評価方法においては、その関係が線形である
ことが必要とされている。
【００１２】本発明に係る方法によれば、相関が線形か
非線形かに拘わらず、ＮＩＲ信号から炭化水素の所望の
パラメータの測定が可能となるように、ニューラルネッ
トワークにおける学習がなされる。また、本発明に係る
方法によれば、ＮＩＲ信号において”ノイズ”が比較的
大きい、つまりデータが劣化している場合でも、正確な
測定が可能である。更に、本発明に係る方法は、ＮＩＲ
スペクトルと、これに関連する推定値との相互関係に基
づいて、パラメータの大きさや特性を予測することにも
用いられるだけでなく、所定の特性が存在するか、その
特性が所定の範囲内にあるか、また、他のスペクトル系
列によって分類され得るか、の判定に用いることができ
る。
非線形かに拘わらず、ＮＩＲ信号から炭化水素の所望の
パラメータの測定が可能となるように、ニューラルネッ
トワークにおける学習がなされる。また、本発明に係る
方法によれば、ＮＩＲ信号において”ノイズ”が比較的
大きい、つまりデータが劣化している場合でも、正確な
測定が可能である。更に、本発明に係る方法は、ＮＩＲ
スペクトルと、これに関連する推定値との相互関係に基
づいて、パラメータの大きさや特性を予測することにも
用いられるだけでなく、所定の特性が存在するか、その
特性が所定の範囲内にあるか、また、他のスペクトル系
列によって分類され得るか、の判定に用いることができ
る。
【００１３】図１に本発明の実施に用いられる装置の概
略説明図を示し、図２に本発明に係る方法のフローチャ
ートを示す。
略説明図を示し、図２に本発明に係る方法のフローチャ
ートを示す。
【００１４】図１を参照すると、センサ１０は、炭化水
素またはその他の評価対象となる物質からのＮＩＲ信号
を得るために設けられている。このセンサ１０は、炭化
水素からの反射スペクトルまたは伝送ＮＩＲスペクトル
を得るためのセンサとしてもよい。このようなセンサは
良く知られており、オンライン形式で所望のＮＩＲスペ
クトルを得るために本発明において用いることが可能で
ある。通常の伝送センサには、例えば、炭化水素その他
の物質が流通する導管（図示せず）及びこの導管に設け
られてこの炭化水素に光線を照射するコリメータが含ま
れる。勿論、所望のＮＲＩスペクトルを得るためのその
他のセンサや機器として種々のものが従来から知られて
おり、これらを本発明に用いることも可能である。
素またはその他の評価対象となる物質からのＮＩＲ信号
を得るために設けられている。このセンサ１０は、炭化
水素からの反射スペクトルまたは伝送ＮＩＲスペクトル
を得るためのセンサとしてもよい。このようなセンサは
良く知られており、オンライン形式で所望のＮＩＲスペ
クトルを得るために本発明において用いることが可能で
ある。通常の伝送センサには、例えば、炭化水素その他
の物質が流通する導管（図示せず）及びこの導管に設け
られてこの炭化水素に光線を照射するコリメータが含ま
れる。勿論、所望のＮＲＩスペクトルを得るためのその
他のセンサや機器として種々のものが従来から知られて
おり、これらを本発明に用いることも可能である。
【００１５】本発明に係るシステムは、さらに、上述の
ようにセンサ１０から得られたＮＩＲスペクトルを分光
計１４へと伝送する伝送部材１２を有し、分光器１４で
はセンサ１０からの信号が処理される。これにより、信
号のベースライン補正（ＢＡＳＥ ＬＩＮＥ ＣＯＲＲ
ＥＣＴＩＯＮ）がなされ、また、所望数のポイントまで
信号が減縮される。伝送部材１２は、適切な光ファイバ
その他のものを用いることが可能である。
ようにセンサ１０から得られたＮＩＲスペクトルを分光
計１４へと伝送する伝送部材１２を有し、分光器１４で
はセンサ１０からの信号が処理される。これにより、信
号のベースライン補正（ＢＡＳＥ ＬＩＮＥ ＣＯＲＲ
ＥＣＴＩＯＮ）がなされ、また、所望数のポイントまで
信号が減縮される。伝送部材１２は、適切な光ファイバ
その他のものを用いることが可能である。
【００１６】このシステムは、分光器１４からの制約化
（ｃｏｎｄｉｔｉｏｎｅｄ）された信号を受信するよう
学習されたニューラルネットワーク１６を有する。ニュ
ーラルネットワーク１６は、一以上の所望の炭化水素の
パラメータを、制約化された信号の所定ポイントにおけ
る吸収値に基づいて測定するように”学習（ｔｒａｉｎ
ｅｄ）”されている。ニューラルネットワーク１６は、
所望のパラメータが得られるように、分光器１４から受
信した信号を処理する。
（ｃｏｎｄｉｔｉｏｎｅｄ）された信号を受信するよう
学習されたニューラルネットワーク１６を有する。ニュ
ーラルネットワーク１６は、一以上の所望の炭化水素の
パラメータを、制約化された信号の所定ポイントにおけ
る吸収値に基づいて測定するように”学習（ｔｒａｉｎ
ｅｄ）”されている。ニューラルネットワーク１６は、
所望のパラメータが得られるように、分光器１４から受
信した信号を処理する。
【００１７】図２に示されるように、ステップ１８は測
定及び評価される炭化水素を、好ましくはオンライン方
式によって、要求する。本発明によれば、炭化水素のＮ
ＩＲスペクトルは、ステップ２０において約８００ｎｍ
〜約１６００ｎｍの範囲の波長において測定される。こ
の範囲において、波長約８００ｎｍ〜約１０５０ｎｍ
（第三のオーバートーン及びその再結合バンドに対
応）、または波長役１１００ｎｍ〜１５００ｎｍ（第二
のオーバートーン及びその再結合バンドに対応）の範囲
を選択することが好ましい。上述した範囲は、メチル、
メチレン、親油性及び芳香族の成分が集中していること
から、特に好ましい。
定及び評価される炭化水素を、好ましくはオンライン方
式によって、要求する。本発明によれば、炭化水素のＮ
ＩＲスペクトルは、ステップ２０において約８００ｎｍ
〜約１６００ｎｍの範囲の波長において測定される。こ
の範囲において、波長約８００ｎｍ〜約１０５０ｎｍ
（第三のオーバートーン及びその再結合バンドに対
応）、または波長役１１００ｎｍ〜１５００ｎｍ（第二
のオーバートーン及びその再結合バンドに対応）の範囲
を選択することが好ましい。上述した範囲は、メチル、
メチレン、親油性及び芳香族の成分が集中していること
から、特に好ましい。
【００１８】所望のＮＩＲスペクトルや信号を得るため
に、適切な分光器が種々存在し、市販のものが入手可能
である。このような適切な分光器には、ＳＣ ３００
（供給元：Ｇｕｉｄｅｗａｖｅ、Ｐｉｏｎｅｅｒ １０
２４ ｆｒｏｍ ＰｅｒｋｉｎＥｌｍｅｒ）その他が挙
げられる。
に、適切な分光器が種々存在し、市販のものが入手可能
である。このような適切な分光器には、ＳＣ ３００
（供給元：Ｇｕｉｄｅｗａｖｅ、Ｐｉｏｎｅｅｒ １０
２４ ｆｒｏｍ ＰｅｒｋｉｎＥｌｍｅｒ）その他が挙
げられる。
【００１９】上述のように得られたＮＩＲ信号は、その
後ステップ２２において、スペクトルベースラインを補
正して上記信号を適切なポイントに減縮させることで信
号がコード化されるように、本発明により制約化され
る。上記ポイントは、所望の炭化水素パラメータが得ら
れるようにニューラルネットワークで処理される。信号
の制約化は、適当なＰＣ、例えばＵＮＩＸをＯＳとする
サン社のワークステーション等によってなされ、また、
ニューラルネットワークに供給されるポイントにＮＩＲ
信号を減縮及び補正するためのその他の従来法によって
も制約化可能である。
後ステップ２２において、スペクトルベースラインを補
正して上記信号を適切なポイントに減縮させることで信
号がコード化されるように、本発明により制約化され
る。上記ポイントは、所望の炭化水素パラメータが得ら
れるようにニューラルネットワークで処理される。信号
の制約化は、適当なＰＣ、例えばＵＮＩＸをＯＳとする
サン社のワークステーション等によってなされ、また、
ニューラルネットワークに供給されるポイントにＮＩＲ
信号を減縮及び補正するためのその他の従来法によって
も制約化可能である。
【００２０】ステップ２４においては、ステップ２２か
ら得られるポイントが、ニューラルネットワークによっ
て、所望のパラメータの測定がなされるように処理され
る（ステップ２６）。
ら得られるポイントが、ニューラルネットワークによっ
て、所望のパラメータの測定がなされるように処理され
る（ステップ２６）。
【００２１】ニューラルネットワークは、ネットワーク
出力を備えた出力レイヤ、ネットワーク入力を備えた入
力レイヤをそれぞれ有する。ネットワーク入力の加重平
均に従って入力情報を処理するために、入力レイヤと出
力レイヤとの間に、隠れレイヤが一以上設けられてい
る。
出力を備えた出力レイヤ、ネットワーク入力を備えた入
力レイヤをそれぞれ有する。ネットワーク入力の加重平
均に従って入力情報を処理するために、入力レイヤと出
力レイヤとの間に、隠れレイヤが一以上設けられてい
る。
【００２２】ステップ２２からのポイントは、入力レイ
ヤのネットワーク入力に送信又は入力され、出力レイヤ
のネットワーク出力から所望のパラメータが出力される
ように、ネットワークのレイヤで処理される。入力デー
タは、ネットワークの各レイヤ間でシグモイド変換関数
(ｓｉｇｍｏｉｄ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏ
ｎ)により処理される。この変換関数は、信号をネット
ワークの次のレイヤに運ぶ。レイヤで受信された入力の
組み合わせは、そのレイヤの出力の決定に用いられ、こ
の際、入力の各部は、上述した重みづけの値に基づい
て、重み付けが大きくまたは小さくされる。
ヤのネットワーク入力に送信又は入力され、出力レイヤ
のネットワーク出力から所望のパラメータが出力される
ように、ネットワークのレイヤで処理される。入力デー
タは、ネットワークの各レイヤ間でシグモイド変換関数
(ｓｉｇｍｏｉｄ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏ
ｎ)により処理される。この変換関数は、信号をネット
ワークの次のレイヤに運ぶ。レイヤで受信された入力の
組み合わせは、そのレイヤの出力の決定に用いられ、こ
の際、入力の各部は、上述した重みづけの値に基づい
て、重み付けが大きくまたは小さくされる。
【００２３】この際の重み付けの値は、”学習”として
当業者に良く知られているプロセスによって決定され、
これにより、多数の既知の入力及び出力値がネットワー
クに与えられ、その後に、新たな値がニューラルネット
ワークに与えられて処理される。この際、重み付けの値
は、一回の処理毎にその値が変更され、誤差が所定の許
容値より常に低くなるまでこの変更がなされる。
当業者に良く知られているプロセスによって決定され、
これにより、多数の既知の入力及び出力値がネットワー
クに与えられ、その後に、新たな値がニューラルネット
ワークに与えられて処理される。この際、重み付けの値
は、一回の処理毎にその値が変更され、誤差が所定の許
容値より常に低くなるまでこの変更がなされる。
【００２４】ニューラルネットワークは、当業者に広く
知られている。適切なニューラルネットワークは、市販
のソフトウェア、例えばＰｌａｎｅｔ５．６、Ｕｎｓｃ
ｒａｍｂｌｅｒ、Ｎｅｕｒａｌｗａｖｅ等により構築可
能である。勿論、これらのみに限定されることはなく、
他のものを用いることもできる。
知られている。適切なニューラルネットワークは、市販
のソフトウェア、例えばＰｌａｎｅｔ５．６、Ｕｎｓｃ
ｒａｍｂｌｅｒ、Ｎｅｕｒａｌｗａｖｅ等により構築可
能である。勿論、これらのみに限定されることはなく、
他のものを用いることもできる。
【００２５】ニューラルネットワークにおける学習も当
業者に良く知られており、バックプロパゲーション（Ｂ
ａｃｋ ｐｒｏｐａｇａｔｉｏｎ)、スーパバイズドラ
ーニング(ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ)
その他が知られている。以下、図３を用いて、上述のよ
うな学習処理の一例を説明する。
業者に良く知られており、バックプロパゲーション（Ｂ
ａｃｋ ｐｒｏｐａｇａｔｉｏｎ)、スーパバイズドラ
ーニング(ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ)
その他が知られている。以下、図３を用いて、上述のよ
うな学習処理の一例を説明する。
【００２６】ニューラルネットワークの入力レイヤは、
コード化されたＮＩＲ信号のポイントを受けるための多
数のノードを有する。これらの使用されるノードの数
は、信頼しうる測定結果を得るに十分なまでに大きく、
かつ、過度に複雑にならないように選択される。本発明
によれば、ガソリンのレイド蒸気圧は約３０から約１０
０の入力ノードを用いることで測定しうる。
コード化されたＮＩＲ信号のポイントを受けるための多
数のノードを有する。これらの使用されるノードの数
は、信頼しうる測定結果を得るに十分なまでに大きく、
かつ、過度に複雑にならないように選択される。本発明
によれば、ガソリンのレイド蒸気圧は約３０から約１０
０の入力ノードを用いることで測定しうる。
【００２７】入力レイヤのノードは、ニューラルネット
ワークの学習に従って、入力されるポイントを処理し、
部分的に処理された信号を中間隠れレイヤに送る。この
隠れレイヤでは、所望のパラメータに対応する出力レイ
ヤから出力が得られる処理を行う。
ワークの学習に従って、入力されるポイントを処理し、
部分的に処理された信号を中間隠れレイヤに送る。この
隠れレイヤでは、所望のパラメータに対応する出力レイ
ヤから出力が得られる処理を行う。
【００２８】入力レイヤから中間レイヤへのプロパゲー
ションは、シグモイド関数によって達成される。このシ
グモイド関数は、ノード（ｊ）での出力の決定に用いら
れる。なお、この出力は、このノードの前段のレイヤの
ノード（ｉ）からの入力に基ずいて決定される。このシ
グモイド関数を以下に示す。
ションは、シグモイド関数によって達成される。このシ
グモイド関数は、ノード（ｊ）での出力の決定に用いら
れる。なお、この出力は、このノードの前段のレイヤの
ノード（ｉ）からの入力に基ずいて決定される。このシ
グモイド関数を以下に示す。
【００２９】
【数３】Ｏｊ＝ｆ（ΣＷji・Ｉi） ただし、Σはｉ＝０からｉ＝ｎまでの総和 Ｉiはノードｉにおける出力値 Ｗjiはノードｊとｉとの間における重み付け値 Ｏはノードｊの出力値
【００３０】上述と併せて用いられるシグモイド変換関
数は、好ましくは以下のとおりである。
数は、好ましくは以下のとおりである。
【００３１】
【数４】ｆ（ｘ）＝１／（１＋ｅ-x） ただし、ｘ＝（ΣＷji・Ｉi）で、Σはｉ＝０からｉ＝
ｎまでの総和を示す。
ｎまでの総和を示す。
【００３２】中間レイヤのノード数は、通常、入力レイ
ヤのノード数よりも少なく、出力レイヤのノード数より
も多い。例えば、入力レイヤが３０〜１００程度のノー
ドを有する場合、中間レイヤのノード数は、好ましくは
約３〜約１５である。中間レイヤのノードは、入力レイ
ヤからの入力信号の処理に用いられる。この処理は、重
み付け値の新たなセットに従ってなされ、この重み付け
値もまたニューラルネットワークの学習の間に決定され
る。中間レイヤから出力レイヤへのプロパゲーションも
また、好適には、所望の出力が得られるように上述のよ
うに行われる。シグモイド変換関数は、非線形のパター
ン及び関数に対して有用であることから、特にネットワ
ーク内のレイヤからレイヤへのデータ処理に適切であ
る。本発明によれば、評価される炭化水素は、好適には
ガソリン、ディーゼル燃料、ケロシン、ナフサ、ジェッ
ト燃料類である。炭化水素の多くのパラメータが評価可
能であるが、具体例としては、Ｒｅｉｄ蒸気圧、疑似蒸
留値（ｓｉｍｕｌａｔｅｄ ｄｉｓｔｉｌｌａｔｉｏｎ
ｖａｌｕｅｓ）、リサーチオクタン価、モータオクタ
ン価、酸素成分、比重、ディーゼル燃料のセタン価、デ
ィーゼル燃料またはガソリンの臭素価、アニリンポイン
ト、スモークポイント等が挙げられる。これらの多くは
ＮＩＲ信号とは非線形の関係にあり、従って従来法にお
いては測定不能であった。
ヤのノード数よりも少なく、出力レイヤのノード数より
も多い。例えば、入力レイヤが３０〜１００程度のノー
ドを有する場合、中間レイヤのノード数は、好ましくは
約３〜約１５である。中間レイヤのノードは、入力レイ
ヤからの入力信号の処理に用いられる。この処理は、重
み付け値の新たなセットに従ってなされ、この重み付け
値もまたニューラルネットワークの学習の間に決定され
る。中間レイヤから出力レイヤへのプロパゲーションも
また、好適には、所望の出力が得られるように上述のよ
うに行われる。シグモイド変換関数は、非線形のパター
ン及び関数に対して有用であることから、特にネットワ
ーク内のレイヤからレイヤへのデータ処理に適切であ
る。本発明によれば、評価される炭化水素は、好適には
ガソリン、ディーゼル燃料、ケロシン、ナフサ、ジェッ
ト燃料類である。炭化水素の多くのパラメータが評価可
能であるが、具体例としては、Ｒｅｉｄ蒸気圧、疑似蒸
留値（ｓｉｍｕｌａｔｅｄ ｄｉｓｔｉｌｌａｔｉｏｎ
ｖａｌｕｅｓ）、リサーチオクタン価、モータオクタ
ン価、酸素成分、比重、ディーゼル燃料のセタン価、デ
ィーゼル燃料またはガソリンの臭素価、アニリンポイン
ト、スモークポイント等が挙げられる。これらの多くは
ＮＩＲ信号とは非線形の関係にあり、従って従来法にお
いては測定不能であった。
【００３３】図３に本発明に用いられるニューラルネッ
トワークの学習における学習プロセスを示す。まず、ニ
ューラルネットワーク用に構成されたコンピュータが用
意される。その後、ネットワークの初期学習用のデータ
セットを入力する必要がある。図３のステップ２１で
は、その種類（ｆａｍｉｌｙ）の選択がなされる。ステ
ップ２３では、その種類の各メンバーに対するＮＩＲス
ペクトルが得られる。その後、各種類のメンバーに対す
る所望のパラメータが、ステップ２５において、通常の
分析方法によって測定される。
トワークの学習における学習プロセスを示す。まず、ニ
ューラルネットワーク用に構成されたコンピュータが用
意される。その後、ネットワークの初期学習用のデータ
セットを入力する必要がある。図３のステップ２１で
は、その種類（ｆａｍｉｌｙ）の選択がなされる。ステ
ップ２３では、その種類の各メンバーに対するＮＩＲス
ペクトルが得られる。その後、各種類のメンバーに対す
る所望のパラメータが、ステップ２５において、通常の
分析方法によって測定される。
【００３４】ステップ２３で得られたスペクトルは、そ
の後、ステップ２７、２９で制約化される。ステップ２
７では、信号のベースライン補正を行い、ステップ２９
では、この信号は、ニューラルネットワークに入力され
るように所望数のポイントが抽出されるように減縮され
る。
の後、ステップ２７、２９で制約化される。ステップ２
７では、信号のベースライン補正を行い、ステップ２９
では、この信号は、ニューラルネットワークに入力され
るように所望数のポイントが抽出されるように減縮され
る。
【００３５】二つの行列が生成され、一方はステップ２
９で得られたポイントに関するものであり、他方はステ
ップ２５での分析によって測定されたパラメータ値に関
するものである。学習プロセスを通じて、及びこれら二
つの行列を用いることにより、入力から中間レイヤ、及
び中間レイヤから出力への、それぞれに対する最終的な
重み付けの値が算出される。ランダム化された初期重み
付けの値は、ステップ３１、３２で行われる反復処理に
よって調整及び最適化される。
９で得られたポイントに関するものであり、他方はステ
ップ２５での分析によって測定されたパラメータ値に関
するものである。学習プロセスを通じて、及びこれら二
つの行列を用いることにより、入力から中間レイヤ、及
び中間レイヤから出力への、それぞれに対する最終的な
重み付けの値が算出される。ランダム化された初期重み
付けの値は、ステップ３１、３２で行われる反復処理に
よって調整及び最適化される。
【００３６】データの上記種類の新たなサンプルやメン
バーに対しては、ネットワークによる読みとり値は、ス
テップ３３において、ステップ２５により得られる読み
取り値と比較される。各比較において、ノード間の重み
付け値を調整するために、バックプロパゲーション技術
やスーパバイズト学習その他の公知の学習技術を用いる
ことができる。この調整は、ネットワークから得られる
測定結果の誤差が、常に許容範囲となるまで繰り返され
る。一旦このような調整が完了すると、ネットワークは
完全に学習済みとなり、実際の使用が可能となる。
バーに対しては、ネットワークによる読みとり値は、ス
テップ３３において、ステップ２５により得られる読み
取り値と比較される。各比較において、ノード間の重み
付け値を調整するために、バックプロパゲーション技術
やスーパバイズト学習その他の公知の学習技術を用いる
ことができる。この調整は、ネットワークから得られる
測定結果の誤差が、常に許容範囲となるまで繰り返され
る。一旦このような調整が完了すると、ネットワークは
完全に学習済みとなり、実際の使用が可能となる。
【００３７】ステップ３５においては、ネットワーク
は、パラメータを量的に測定するようにオンライン状態
で設置される。従来法では、オンラインはもとより、製
造サイトにおいてもパラメータ測定の実行はできなかっ
たが、本発明では、このような従来例は必要とされな
い。
は、パラメータを量的に測定するようにオンライン状態
で設置される。従来法では、オンラインはもとより、製
造サイトにおいてもパラメータ測定の実行はできなかっ
たが、本発明では、このような従来例は必要とされな
い。
【００３８】試験例１ この試験例では、本発明に係る方法によるニューラルネ
ットワークの学習及びガソリンのレイド蒸気圧の測定に
おける使用例を示す。この例では、データセットとして
５６種の典型的なガソリンが選択された。選択された種
類のガソリンには、レギュラーガソリン、スーパーガソ
リン、プレミアムガソリンが含まれる。ＮＩＲスペクト
ルは、この種類の各メンバー毎に得られ、この例では、
ｖｉｓ−ＮＩＲ光学ファイバを用いた。この光学ファイ
バは、Ｇｕｉｄｅｗａｖｅ Ｍｏｄｅｌ ３００Ａ 分
光計に基づくものであり、波長８００ｎｍ〜１６００ｎ
ｍの範囲において１ｃｍの溶融シリカキュベット（Ｃｕ
ｖｅｔｔｅ）を用い、１ｎｍの分解能を有する。
ットワークの学習及びガソリンのレイド蒸気圧の測定に
おける使用例を示す。この例では、データセットとして
５６種の典型的なガソリンが選択された。選択された種
類のガソリンには、レギュラーガソリン、スーパーガソ
リン、プレミアムガソリンが含まれる。ＮＩＲスペクト
ルは、この種類の各メンバー毎に得られ、この例では、
ｖｉｓ−ＮＩＲ光学ファイバを用いた。この光学ファイ
バは、Ｇｕｉｄｅｗａｖｅ Ｍｏｄｅｌ ３００Ａ 分
光計に基づくものであり、波長８００ｎｍ〜１６００ｎ
ｍの範囲において１ｃｍの溶融シリカキュベット（Ｃｕ
ｖｅｔｔｅ）を用い、１ｎｍの分解能を有する。
【００３９】その後、一般の分析技術によって、上記種
類の各メンバーの実際のレイド蒸気圧の測定が行われ
た。この測定は、ＡＳＴＭ Ｄ−３２２−８２に従って
なされた。選択されたレイド蒸気圧の範囲は、４５．５
〜８２．７ｋＰａ（６．６ｐｓｉ〜１２ｐｓｉ）であっ
た。この範囲は、市販のガソリンにおける通常のレイド
蒸気圧に対応するその測定値を表１に示す。
類の各メンバーの実際のレイド蒸気圧の測定が行われ
た。この測定は、ＡＳＴＭ Ｄ−３２２−８２に従って
なされた。選択されたレイド蒸気圧の範囲は、４５．５
〜８２．７ｋＰａ（６．６ｐｓｉ〜１２ｐｓｉ）であっ
た。この範囲は、市販のガソリンにおける通常のレイド
蒸気圧に対応するその測定値を表１に示す。
【００４０】
【表１】 表１ スーパー RVP(psi) レギュラー RVP(psi) プレミアム RVP(psi) ガソリン 測定値 ガソリン 測定値 ガソリン 測定値 ap.001 7.65 mp.001 7.94 sp.001 7.21 ap.002 7.68 mp.002 7.96 sp.002 6.66 ap.003 8.24 mp.003 8.15 sp.003 6.66 ap.004 8.35 mp.004 8.61 sp.004 7.42 ap.005 8.43 mp.005 8.61 sp.005 7.63 ap.006 8.51 mp.006 8.84 sp.006 7.42 ap.007 8.84 mp.007 9.02 sp.007 7.90 ap.008 9.03 mp.008 9.28 sp.008 7.06 ap.009 9.40 mp.009 9.71 sp.009 8.20 ap.010 9.56 mp.010 10.05 sp.010 8.48 ap.011 9.87 mp.011 10.23 sp.011 8.64 ap.012 9.73 mp.012 10.49 sp.012 8.71 ap.013 9.98 mp.013 10.06 sp.013 8.80 ap.014 10.00 mp.014 10.95 sp.014 9.10 ap.015 10.40 mp.015 11.08 sp.015 9.29 sp.016 9.42 sp.ol7 9.68 sp.018 10.02 sp.019 10.34 sp.020 10.76 sp.021 10.84 sp.022 11.09 sp.023 11.16 sp.024 11.52 sp.025 11.64 sp.026 11.99
【００４１】ＮＩＲスペクトルの第二のオーバートーン
およびその再結合バンドは、波長約１１００ｎｍ〜約１
５００ｎｍにおいて、上記種類の各メンバー毎に測定さ
れ、本発明によって４７個のポイントが得られるように
制約化された。また、使用したニューラルネットワーク
は、これらのポイントのために、入力レイヤに４７の入
力ノードが設けられた構成とした。図４に選択されたポ
イントに対応する曲線が示される。
およびその再結合バンドは、波長約１１００ｎｍ〜約１
５００ｎｍにおいて、上記種類の各メンバー毎に測定さ
れ、本発明によって４７個のポイントが得られるように
制約化された。また、使用したニューラルネットワーク
は、これらのポイントのために、入力レイヤに４７の入
力ノードが設けられた構成とした。図４に選択されたポ
イントに対応する曲線が示される。
【００４２】その後、上記ポイント及び分析的に測定さ
れたパラメータは、行列形式とされて、学習プロセスを
開始するためにニューラルネットワークに入力された。
上記種類の５６のメンバーのうちの５０が行列形式とさ
れた。残った６つのサンプルは、学習後のニューラルネ
ットワークの有効性の確認のために用いる。この例で
は、予測値がＡＳＴＭ法による測定値から０．５ｐｓｉ
以内であれば予測値は有効であると判定した。
れたパラメータは、行列形式とされて、学習プロセスを
開始するためにニューラルネットワークに入力された。
上記種類の５６のメンバーのうちの５０が行列形式とさ
れた。残った６つのサンプルは、学習後のニューラルネ
ットワークの有効性の確認のために用いる。この例で
は、予測値がＡＳＴＭ法による測定値から０．５ｐｓｉ
以内であれば予測値は有効であると判定した。
【００４３】以下の表２〜４に、ニューラルネットワー
クの学習に用いた、ノイズの入らない５０のサンプルに
おけるＲＶＰ予測値とＡＳＴＭ法による測定値とを示
す。表５に有効性確認用の６つのサンプルにおけるＲＶ
Ｐ予測値とＡＳＴＭ法による測定値を示す。これらの表
に示されるように、平均誤差及び標準偏差は許容範囲内
にある。その後、学習を終えたニューラルネットワーク
は、本発明によるレイド蒸気圧の測定のためにオンライ
ン状態で配置された。
クの学習に用いた、ノイズの入らない５０のサンプルに
おけるＲＶＰ予測値とＡＳＴＭ法による測定値とを示
す。表５に有効性確認用の６つのサンプルにおけるＲＶ
Ｐ予測値とＡＳＴＭ法による測定値を示す。これらの表
に示されるように、平均誤差及び標準偏差は許容範囲内
にある。その後、学習を終えたニューラルネットワーク
は、本発明によるレイド蒸気圧の測定のためにオンライ
ン状態で配置された。
【００４４】
【表２】表２ ガソリン RVP ASTM RVP予測値 誤差 スーパー D 323 ap.002 7.68 7.76 0.08 ap.003 8.24 8.27 0.03 ap.004 8.35 8.33 0.02 ap.005 8.43 8.43 0.00 ap.006 8.51 8.69 0.18 ap.007 8.84 8.89 0.05 ap.008 9.03 9.26 0.23 ap.009 9.40 9.26 0.14 ap 010 9.56 9.48 0.08 ap:011 9.87 9.81 0.06 ap.012 9.73 9.61 0.12 ap.013 9.98 10.03 0.05 ap.014 10.00 10.13 0.13 平均誤差 0.09 誤差標準偏差 0.07
【００４５】
【表３】表３ ガソリン RVP ASTM RVP予測値 誤差 レギュラー D 323 mp.002 7.96 8.04 0.08 mp.003 8.15 8.33 0.17 mp.004 8.61 8.44 0.17 mp.005 8.73 8.73 0.00 mp.006 8.84 9.06 0.22 mp.007 9.02 8.81 0.21 mp.008 9.28 9.43 0.15 mp.009 9.71 9.66 0.05 mp.010 10.05 9.97 0.08 mp.011 10.23 10.26 0.03 mp.012 10.49 10.63 0.14 mp.013 10.06 10.33 0.27 mp.014 10.95 10.77 0.18 平均誤差 0.13 誤差標準偏差 0.08
【００４６】
【表４】表４ ガソリン RVP ASTM RVP予測値 誤差 プレミアム D 323 sp.002 6.66 7.05 0.45 sp.003 7.21 7.23 0.02 sp.004 7.42 7.36 0.06 sp.005 7.63 7.47 0.16 sp.006 7.42 7.51 0.09 sp.007 7.90 7.91 0.01 sp.008 7.96 7.89 0.07 sp.009 8.20 8.11 0.09 sp.010 8.48 8.53 0.05 sp.O11 8.64 8.64 0.00 sp.012 8.71 8.58 0.13 sp.013 8.80 8.76 0.04 sp.014 9.10 9.10 0.00 sp.016 9.42 9.47 0.05 sp.017 9.68 9.70 0.02 sp.018 10.02 10.06 0.04 sp.019 10.34 10.53 0.19 sp.020 10.76 10.96 0.20 sp.021 10.84 10.89 0.05 sp.022 11.09 11.06 0.03 sp.023 11.16 11.15 0.01 sp.024 11.52 11.52 0.01 sp.025 11.64 11.59 0.05 sp.026 11.99 11.91 0.08 平均誤差 0.8 誤差標準偏差 0.10
【００４７】
【表５】表５ ガソリン RVP ASTM RVP予測値 誤差 有効性試験 D 323 ap.001 7.65 7.47 0.19 ap.015 10.40 10.19 0.21 mp.001 7.94 7.58 0.36 mp.015 11.08 11.38 0.30 sp.001 7.21 6.95 0.26 sp.015 9.29 9.05 0.24 平均誤差 0.09 誤差標準偏差 0.07
【００４８】その後、本発明によって、５６のスペクト
ルの第二のオーバートーンおよび再結合バンドを用い
て、ＲＶＰ値の予測値を求めた。図５に、このように求
められたＲＶＰ値をＡＳＴＭｄ−３２３により測定され
た実測値に対してプロットした結果を示す。各ガソリン
において、新たにガウスノイズＧａｕｓｓｉａｎ ｎｏ
ｉｓｅ値を３４ｄＢ、４０ｄＢ、４３．５ｄＢ、４６ｄ
Ｂ、４８ｄＢとした信号において予測値を求めた。これ
らの値のプロット結果をも図５に示す。図示されるよう
に、ニューラルネットワーク法によるＲＶＰの予測値
は、比較的大きいノイズが与えられた場合であっても、
その誤差公差は許容範囲内にあった。本発明の利点を更
に示すため、同じガソリンのＲＶＰ値を従来法である多
変量解析（部分最小二乗法：Partial Least Square）に
よって予測した。その値をＡＳＴＭ Ｄ−３２３による
実測値に対してプロットした結果を、ノイズなし、上記
と同様のガウスノイズの存在下のそれぞれについて図６
に示す。図示されるように、従来法は、本発明法に比較
して、許容範囲外となる予測値の数が多くなっている。
ルの第二のオーバートーンおよび再結合バンドを用い
て、ＲＶＰ値の予測値を求めた。図５に、このように求
められたＲＶＰ値をＡＳＴＭｄ−３２３により測定され
た実測値に対してプロットした結果を示す。各ガソリン
において、新たにガウスノイズＧａｕｓｓｉａｎ ｎｏ
ｉｓｅ値を３４ｄＢ、４０ｄＢ、４３．５ｄＢ、４６ｄ
Ｂ、４８ｄＢとした信号において予測値を求めた。これ
らの値のプロット結果をも図５に示す。図示されるよう
に、ニューラルネットワーク法によるＲＶＰの予測値
は、比較的大きいノイズが与えられた場合であっても、
その誤差公差は許容範囲内にあった。本発明の利点を更
に示すため、同じガソリンのＲＶＰ値を従来法である多
変量解析（部分最小二乗法：Partial Least Square）に
よって予測した。その値をＡＳＴＭ Ｄ−３２３による
実測値に対してプロットした結果を、ノイズなし、上記
と同様のガウスノイズの存在下のそれぞれについて図６
に示す。図示されるように、従来法は、本発明法に比較
して、許容範囲外となる予測値の数が多くなっている。
【００４９】試験例２ この試験例においては、リサーチオクタン価（ＲＯＮ）
の予測値を本発明により求め、ＡＳＴＭ Ｄ−２６９９
による実測値と比較した。予測値と測定値とのプロット
結果を図７に示す。図示されるように、殆どの予測値
は、ＡＳＴＭの許容範囲内にある。更に、上述したよう
に、第三のオーバートーン、約８００ｎｍ〜約１０５０
ｎｍの範囲内のスペクトル範囲、及びその再結合バンド
もまた本発明による予測値の生成に好適である。この例
では、ＲＯＮは、図９に示される第三のオーバートーン
から予測される。
の予測値を本発明により求め、ＡＳＴＭ Ｄ−２６９９
による実測値と比較した。予測値と測定値とのプロット
結果を図７に示す。図示されるように、殆どの予測値
は、ＡＳＴＭの許容範囲内にある。更に、上述したよう
に、第三のオーバートーン、約８００ｎｍ〜約１０５０
ｎｍの範囲内のスペクトル範囲、及びその再結合バンド
もまた本発明による予測値の生成に好適である。この例
では、ＲＯＮは、図９に示される第三のオーバートーン
から予測される。
【００５０】図８において、有効性確認のためのセット
における値もまた、ＡＳＴＭの許容範囲内にプロットさ
れている。上記結果は、上述した試験例１のＲＶＰの測
定時と同様にして、各ガソリンのスペクトルを１６００
のポイントから４７のポイントに減縮してニューラルネ
ットワークに入力することで得られた。表６〜９は、ニ
ューラルネットワークに対する学習セット及び有効性確
認セットにおける予測値及びＡＳＴＭによる値を示す。
における値もまた、ＡＳＴＭの許容範囲内にプロットさ
れている。上記結果は、上述した試験例１のＲＶＰの測
定時と同様にして、各ガソリンのスペクトルを１６００
のポイントから４７のポイントに減縮してニューラルネ
ットワークに入力することで得られた。表６〜９は、ニ
ューラルネットワークに対する学習セット及び有効性確
認セットにおける予測値及びＡＳＴＭによる値を示す。
【００５１】表６、８において、ＲＯＮ予測値は、対応
するＡＳＴＭ実測値と比較され、本発明に係るニューラ
ルネットワークの構築に用いられた。平均誤差及び標準
偏差値も測定された。これらの値は、ＡＳＴＭ試験によ
り容認される偏差内にあった。ガソリンの個々のサブセ
ットのＲＯＮ値はその後ニューラルネットワークを用い
て予測された。表７及び９に予測値とＡＳＴＭの実測値
とを示す。これらにより、本発明に係るニューラルネッ
トワークの優れた性能を有することが、比較結果から十
分に示される。
するＡＳＴＭ実測値と比較され、本発明に係るニューラ
ルネットワークの構築に用いられた。平均誤差及び標準
偏差値も測定された。これらの値は、ＡＳＴＭ試験によ
り容認される偏差内にあった。ガソリンの個々のサブセ
ットのＲＯＮ値はその後ニューラルネットワークを用い
て予測された。表７及び９に予測値とＡＳＴＭの実測値
とを示す。これらにより、本発明に係るニューラルネッ
トワークの優れた性能を有することが、比較結果から十
分に示される。
【００５２】
【表６】表６ ガソリン RON ASTM RON予測値 誤差 レギュラー D 2699 gM.001 79.6 79.6 -0.002 gM.002 79.0 79.0 -0.009 gM.003 80.5 80.4 0.060 gM.004 82.2 82.2 -0.009 gM.006 83.0 83.0 0.019 gM.008 81.0 81.0 0.014 gM.009 80.6 80.7 -0.075 gM.010 80.8 80.7 0.059 gM.011 83.6 83.6 0.026 gM.012 84.7 84.4 0.298 gM.014 84.0 83.8 0.209 gM.015 85.0 84.8 0.184 gM 018 83.0 82.8 0.160 gM.020 84.0 84.1 -0.082 gM.021 85.2 85.8 -0.605 gM.022 86.2 85.9 0.273 gM.023 86.9 86.8 0.098 gM.025 87.0 86.9 0.094 平均誤差 0.039 誤差標準偏差 0.2
【００５３】
【表７】表７ ガソリン RVP ASTM RON予測値 誤差 レギュラー D 2699 gM.002 79.0 79.0 -0.009 gM.005 82.2 82.5 -0.339 gM.012 84.7 84.4 0.298 gM.016 85.0 84.3 0.739 gM.021 85.2 85.8 -0.605 平均誤差 0.017 誤差標準偏差 0.5
【００５４】
【表８】表８ ガソリン RON ASTM RON予測値 誤差 スーパー D 2699 gA.001 95.0 95.2 -0.195 gA.002 94.4 94.3 0.059 gA.003 93.3 93.6 -0.284 gA.004 94.5 94.4 0.106 gA.005 95.3 95.1 0.214 gA.006 95.2 95.2 -0.021 gA.007 95.7 95.5 0.220 gA.008 96.0 96.1 -0.122 gA.010 96.3 96.2 0.053 gA.O11 96.4 96.7 -0.289 gA.012 97.3 97.3 0.024 gA.014 95.7 97.6 -0.116 gA.015 97.0 97.4 -0.386 gA.016 97.4 97.6 -0.239 gA.017 98.4 98.1 0.261 gA.019 98.5 98.5 0.036 gA.020 97.6 97.8 -0.247 gA.022 98.8 98.5 0.257 gA.023 99.0 99.0 0.050 gA.025 98.0 97.8 0.167 gA.026 98.1 98.3 -0.215 平均誤差 -0.032 誤差標準偏差 0.2
【００５５】
【表９】表９ ガソリン RON ASTM RON予測値 誤差 スーパー D 2699 gA.013 97.3 97.9 -0.573 gA.018 98.4 97.8 0.647 gA.021 98.5 98.6 -0.118 gA.024 99.0 98.9 0.060 平均誤差 0.014 誤差標準偏差 0.5
【００５６】以上のように、炭化水素燃料等の物質の評
価方法及びシステムであって、パラメータが予測に用い
られるＮＩＲスペクトルと非線形の相関にあっても、パ
ラメータの正確な予測値が得られるものが説明された。
価方法及びシステムであって、パラメータが予測に用い
られるＮＩＲスペクトルと非線形の相関にあっても、パ
ラメータの正確な予測値が得られるものが説明された。
【００５７】また、炭化水素燃料の評価に関する好適実
施形態を例にとって説明したが、本発明に係る方法がそ
の他の物質の評価にも用いられ得ることは勿論である。
本発明は、本発明の主旨及び特徴を超えない範囲でその
他の形態によって実施可能である。従って、本実施形態
は、あくまでも例示のためのものであり、本願発明を制
限するものではない。均等手段および均等の範囲に入る
変更は、すべて本願発明に包含されるものである。
施形態を例にとって説明したが、本発明に係る方法がそ
の他の物質の評価にも用いられ得ることは勿論である。
本発明は、本発明の主旨及び特徴を超えない範囲でその
他の形態によって実施可能である。従って、本実施形態
は、あくまでも例示のためのものであり、本願発明を制
限するものではない。均等手段および均等の範囲に入る
変更は、すべて本願発明に包含されるものである。
【図１】本発明に係る方法の実施に用いられる装置の概
略説明図。
略説明図。
【図２】本発明に係る方法のフローチャート。
【図３】本発明に係る方法において用いられるニューラ
ルネットワークの学習を示す説明図。
ルネットワークの学習を示す説明図。
【図４】試験例１に示される典型処理スペクトルにおけ
る第二オーバートーン及びその再結合バンドを示すグラ
フ。
る第二オーバートーン及びその再結合バンドを示すグラ
フ。
【図５】本発明によるＲＶＰ値の予測値とＡＳＴＭ Ｄ
−３２３によるＲＶＰ実測値との比較結果を示すグラ
フ。
−３２３によるＲＶＰ実測値との比較結果を示すグラ
フ。
【図６】従来法によるＲＶＰ値の予測値とＡＳＴＭ Ｄ
−３２３によるＲＶＰ実測値との比較結果を示すグラ
フ。
−３２３によるＲＶＰ実測値との比較結果を示すグラ
フ。
【図７】本発明によるＲ０Ｎ値の予測値とＡＳＴＭ ２
６９９によるＲＯＮ実測値との比較結果を示すグラフ。
６９９によるＲＯＮ実測値との比較結果を示すグラフ。
【図８】確認セットの予測ＲＯＮ値とＡＳＴＭによるＲ
ＯＮの実測値との比較結果を示すグラフ。
ＯＮの実測値との比較結果を示すグラフ。
【図９】試験例２に示される典型処理スペクトルにおけ
る第三オーバートーン及びその再結合バンドを示すグラ
フ。
る第三オーバートーン及びその再結合バンドを示すグラ
フ。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 フェルナンド アロヨ アメリカ合衆国，02157−0310，マサチュ ーセッツ，バブソン パーク，バブソン カレッジ (72)発明者 アドリアノ パリシ ヴェネズエラ，エド ミランダ，ロス ヌ エボス テケス，アプト．８Ｂ，エドフ. リール (72)発明者 ヘルナン プリート ヴェネズエラ，ロス テケス，ウルブ．ク エンダ，10／102，エデフ．アザレア
Claims (16)
- 【請求項１】 ガソリン、ディーゼル燃料、ケロシン、
ナフサ、ジェットエンジンのうちから選択される炭化水
素燃料の一つの種類から、レイド蒸気圧、疑似蒸留値、
リサーチオクタン価、モーターオクタン価、酸素成分、
比重オクタン価、臭素価、アニリン点、スモーク点、及
びこれらの任意の組み合わせ、のいずれかから選択され
る所望のパラメータを測定するための、炭化水素燃料の
評価方法であって、 （１）ニューラルネットワークを構成するコンピュータ
を用意するステップと、 （２）前記の種類の炭化水素燃料から前記所望のパラメ
ータを測定するために、前記炭化水素燃料ニューラルネ
ットワークの学習を行うステップであって、（ａ）評価
される炭化水素燃料種から複数の炭化水素燃料を選択す
るステップと、（ｂ）前記複数の炭化水素燃料のそれぞ
れのＮＩＲスペクトルを得るステップと、（ｃ）ベース
ライン補正及びその後のベースライン補正されたスペク
トルを、評価されるパラメータに対応する所望数のポイ
ントに減縮することで、前記各得られたＮＩＲスペクト
ルのそれぞれをコード化するステップと、（ｄ）前記所
望数のポイントから第一の行列を生成するとともに、こ
の第一の行列は順次前記ニューラルネットワークに入力
されるものであるステップと、（ｅ）前記複数の炭化水
素燃料の分析的評価によるパラメータ値からなる第二の
行列を得るステップと、（ｆ）前記第一の行列と前記第
二の行列とを、前記第一の行列と前記第二の行列との間
の関数的相関が得られるように前記ニューラルネットワ
ークによって処理して重み付け行列を得るようにするス
テップと、（ｇ）最適重み付け行列が得られるように、
前記ステップ（ｂ）〜（ｆ）を繰り返すステップと、 を有するステップとを含むことを特徴とする方法。 - 【請求項２】 前記コード化ステップは、前記信号を４
７のポイントに減縮することを含むことを特徴とする請
求項１記載の方法。 - 【請求項３】 前記測定されるパラメータは、レイド蒸
気圧であり、かつ、前記コード化ステップは、前記信号
を約３０〜約１００のポイントに減縮することを含むこ
とを特徴とする請求項１記載の方法。 - 【請求項４】 前記測定されるパラメータはリサーチオ
クタン価であり、かつ前記コード化ステップは、前記信
号を約３０〜約１００のポイントに減縮することを含む
ことを特徴とする請求項１記載の方法。 - 【請求項５】 測定されるパラメータは、前記近赤外線
信号に対して非線形であることを更に含むことを特徴と
する請求項１記載の方法。 - 【請求項６】 前記近赤外線信号は、波長約８００ｎｍ
〜約１６００ｎｍで得られることを特徴とする請求項１
記載の方法。 - 【請求項７】 前記近赤外線信号は、波長約８００ｎｍ
〜約１０５０ｎｍで得られることを特徴とする請求項１
記載の方法。 - 【請求項８】 前記近赤外線信号は、波長約１１００ｎ
ｍ〜約１５００ｎｍで得られることを特徴とする請求項
１記載の方法。 - 【請求項９】 前記近赤外線信号はオンラインで得られ
ることを特徴とする請求項１記載の方法。 - 【請求項１０】 前記近赤外線信号を得るステップは、
前記炭化水素から、伝送可能の近赤外線スペクトルを得
ることを含むことを特徴とする請求項１記載の方法。 - 【請求項１１】 前記近赤外線信号を得るステップは、
前記炭化水素から、反射的近赤外線スペクトルを得るこ
とを含むことを特徴とする請求項１記載の方法。 - 【請求項１２】 前記コード化ステップは、更に、前記
信号を前記所定数のポイントに減縮するのに先だって、
前記信号のベースライン補正ステップを更に有すること
を特徴とする請求項１記載の方法。 - 【請求項１３】 前記ニューラルネットワークを用意す
るステップは、入力レイヤ、中間レイヤ、出力レイヤを
それぞれ有するニューラルネットワークを用意すること
を含み、かつ、前記入力レイヤは約３０〜約１００のノ
ードを有し、前記中間レイヤは約３〜約１５のノードを
有し、前記出力レイヤは測定される所望のパラメータの
数に等しい数のノードを有すること、をそれぞれ更に含
むことを特徴とする請求項１記載の方法。 - 【請求項１４】 前記ニューラルネットワークを用意す
るステップは、レイヤを備えるとともにシグモイド関数
をレイヤ間の変換関数としてゆうするニューラルネット
ワークを用意することを含むことを特徴とする請求項１
記載の方法。 - 【請求項１５】 前記シグモイド関数は、 【数１】Ｏj＝ｆ（ΣＷji・Ｉi） ただし、Σはｉ＝０からｉ＝ｎまでの総和 ｉとｊとはニューラルネットワークのノード Ｉiはノードｉにおける出力値 Ｗjiはノードｊとｉとの間における重み付け値 Ｏはノードｊの出力値 であることを特徴とする請求項１４記載の方法。
- 【請求項１６】 前記シグモイド関数は、以下の式で示
されるシグモイド変換関数 【数２】ｆ（ｘ）＝１／（１−ｅ(-x)） ただしｘ＝（ΣＷji・Ｉi）で、Σはｉ＝０からｉ＝ｎ
までの総和を示すを含むことを特徴とする請求項１５記
載の方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US08/585,000 US5572030A (en) | 1994-04-22 | 1996-01-11 | Method for determining parameter of hydrocarbon |
| CA002175326A CA2175326C (en) | 1996-01-11 | 1996-04-29 | Method for determining parameter of hydrocarbon |
| GB9608947A GB2312741A (en) | 1996-01-11 | 1996-04-29 | Determining parameters of hydrocarbons |
| DE19617917A DE19617917C2 (de) | 1996-01-11 | 1996-05-03 | Verfahren zum Bewerten eines Kohlenwasserstoff-Kraftstoffes und Verwendung eines neuronalen Netzwerks |
| JP8112861A JPH09305567A (ja) | 1996-01-11 | 1996-05-07 | 炭化水素燃料の評価方法 |
Applications Claiming Priority (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US08/585,000 US5572030A (en) | 1994-04-22 | 1996-01-11 | Method for determining parameter of hydrocarbon |
| CA002175326A CA2175326C (en) | 1996-01-11 | 1996-04-29 | Method for determining parameter of hydrocarbon |
| GB9608947A GB2312741A (en) | 1996-01-11 | 1996-04-29 | Determining parameters of hydrocarbons |
| DE19617917A DE19617917C2 (de) | 1996-01-11 | 1996-05-03 | Verfahren zum Bewerten eines Kohlenwasserstoff-Kraftstoffes und Verwendung eines neuronalen Netzwerks |
| JP8112861A JPH09305567A (ja) | 1996-01-11 | 1996-05-07 | 炭化水素燃料の評価方法 |
| NL1003058A NL1003058C2 (nl) | 1996-01-11 | 1996-05-07 | Werkwijze voor het bepalen van parameters van koolwaterstof. |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09305567A true JPH09305567A (ja) | 1997-11-28 |
Family
ID=27543498
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8112861A Pending JPH09305567A (ja) | 1994-04-22 | 1996-05-07 | 炭化水素燃料の評価方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US5572030A (ja) |
| JP (1) | JPH09305567A (ja) |
| CA (1) | CA2175326C (ja) |
| DE (1) | DE19617917C2 (ja) |
| GB (1) | GB2312741A (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007183242A (ja) * | 2005-12-29 | 2007-07-19 | Ind Technol Res Inst | 移動式燃料分析装置および該移動式燃料分析装置を用いた燃料の品質を測定する方法 |
| CN100425975C (zh) * | 2004-07-29 | 2008-10-15 | 中国石油化工股份有限公司 | 由近红外光谱测定汽油性质数据的方法 |
| CN101915746A (zh) * | 2010-07-22 | 2010-12-15 | 中国人民解放军空军油料研究所 | 一种航空油料及添加剂的鉴定方法 |
| KR101486097B1 (ko) * | 2007-05-07 | 2015-01-23 | 에스 뻬 트루와 아쉬 | 자동 점화기능을 구비한 내연 엔진의 연료분사, 연소 및/또는 후처리 파라미터 조절 방법 |
| WO2017098862A1 (ja) * | 2015-12-08 | 2017-06-15 | 国立研究開発法人物質・材料研究機構 | 炭化水素基修飾微粒子を受容体層とする燃料油識別センサおよび燃料油識別方法 |
| CN109562304A (zh) * | 2016-06-07 | 2019-04-02 | 横河电机美洲有限公司 | 在线测量烃过程流中蒸汽压的系统和方法 |
| WO2021177240A1 (ja) * | 2020-03-05 | 2021-09-10 | 国立研究開発法人物質・材料研究機構 | スペクトル汎化システム及び方法、並びに物質同定システム及び方法 |
| WO2021206076A1 (ja) * | 2020-04-10 | 2021-10-14 | 国立大学法人筑波大学 | 計測信号処理装置、計測信号処理方法およびプログラム |
Families Citing this family (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5822058A (en) * | 1997-01-21 | 1998-10-13 | Spectral Sciences, Inc. | Systems and methods for optically measuring properties of hydrocarbon fuel gases |
| IT1296939B1 (it) * | 1997-12-09 | 1999-08-03 | Euron Spa | Procedimento per la predizione delle caratteristiche a freddo di gasoli |
| US7540887B1 (en) | 2002-07-23 | 2009-06-02 | Gregory Turocy | Methods and systems for producing fuel compositions |
| US7238847B2 (en) * | 2002-12-23 | 2007-07-03 | Shell Oil Company | Apparatus and method for determining and controlling the hydrogen-to-carbon ratio of a pyrolysis product liquid fraction |
| DE10315077A1 (de) * | 2003-04-02 | 2004-10-14 | Walter Dr. Rubin | Durchlicht-IR-Spektrometrieverfahren und Probenträger |
| DE102007025585A1 (de) * | 2007-06-01 | 2008-12-04 | Siemens Ag | Verfahren zum Betreiben eines Verbrennungsmotors und Vorrichtung zur Bestimmung eines Betriebsparameters dessen |
| DE102007042507B4 (de) | 2007-09-07 | 2019-12-12 | HELLA GmbH & Co. KGaA | Verfahren zur Bestimmung von Inhaltsstoffen von Flüssigkeiten, insbesondere von Motoröl |
| CN101169387B (zh) * | 2007-11-28 | 2012-02-08 | 华东理工大学 | 一种在线确定常压塔顶石脑油质量指标的软测量方法 |
| CN101201331B (zh) * | 2007-11-28 | 2012-02-08 | 华东理工大学 | 一种在线确定初馏塔顶石脑油质量指标的软测量方法 |
| IT1401501B1 (it) | 2010-08-02 | 2013-07-26 | Eni Spa | Metodo per predire le qualita' e le rese di un greggio |
| US8930149B1 (en) | 2010-10-18 | 2015-01-06 | Saudi Arabian Oil Company | Relative valuation method for naphtha streams |
| US9429556B2 (en) | 2010-10-18 | 2016-08-30 | Saudi Arabian Oil Company | Relative valuation method for naphtha streams |
| US9423391B2 (en) | 2010-10-18 | 2016-08-23 | Saudi Arabain Oil Company | Relative valuation method for naphtha streams |
| US10031121B2 (en) | 2011-02-22 | 2018-07-24 | Saudi Arabian Oil Company | Characterization of an API gravity value of crude oil by ultraviolet visible spectroscopy |
| US11022588B2 (en) | 2011-02-22 | 2021-06-01 | Saudi Arabian Oil Company | Characterization of crude oil by simulated distillation |
| US10677718B2 (en) | 2011-02-22 | 2020-06-09 | Saudi Arabian Oil Company | Characterization of crude oil by near infrared spectroscopy |
| US10684239B2 (en) | 2011-02-22 | 2020-06-16 | Saudi Arabian Oil Company | Characterization of crude oil by NMR spectroscopy |
| US10571452B2 (en) | 2011-06-28 | 2020-02-25 | Saudi Arabian Oil Company | Characterization of crude oil by high pressure liquid chromatography |
| US10725013B2 (en) | 2011-06-29 | 2020-07-28 | Saudi Arabian Oil Company | Characterization of crude oil by Fourier transform ion cyclotron resonance mass spectrometry |
| US10048194B2 (en) | 2012-02-21 | 2018-08-14 | Saudi Arabian Oil Company | Characterization of crude oil by ultraviolet visible spectroscopy |
| US10627345B2 (en) | 2015-01-05 | 2020-04-21 | Saudi Arabian Oil Company | Characterization of crude oil by near infrared spectroscopy |
| EP3243065A1 (en) | 2015-01-05 | 2017-11-15 | Saudi Arabian Oil Company | Characterizatin of crude oil by ultraviolet visible spectroscopy |
| JP6792557B2 (ja) | 2015-01-05 | 2020-11-25 | サウジ アラビアン オイル カンパニー | 熱重量分析による原油およびその留分のキャラクタリゼーション |
| US10845355B2 (en) | 2015-01-05 | 2020-11-24 | Saudi Arabian Oil Company | Characterization of crude oil by fourier transform near infrared spectrometry |
| CN104990893B (zh) * | 2015-06-24 | 2017-12-29 | 南京富岛信息工程有限公司 | 一种基于相似判别的汽油辛烷值检测方法 |
| US11781427B2 (en) | 2022-02-28 | 2023-10-10 | Saudi Arabian Oil Company | Method to prepare virtual assay using ultraviolet spectroscopy |
| US11913332B2 (en) | 2022-02-28 | 2024-02-27 | Saudi Arabian Oil Company | Method to prepare virtual assay using fourier transform infrared spectroscopy |
| US11781988B2 (en) | 2022-02-28 | 2023-10-10 | Saudi Arabian Oil Company | Method to prepare virtual assay using fluorescence spectroscopy |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4963745A (en) * | 1989-09-01 | 1990-10-16 | Ashland Oil, Inc. | Octane measuring process and device |
| US5015856A (en) * | 1990-03-28 | 1991-05-14 | E. I. Du Pont De Nemours And Company | Automated process for permeability determinations of barrier resins |
| US5218529A (en) * | 1990-07-30 | 1993-06-08 | University Of Georgia Research Foundation, Inc. | Neural network system and methods for analysis of organic materials and structures using spectral data |
| US5265031A (en) * | 1990-11-26 | 1993-11-23 | Praxair Technology, Inc. | Diagnostic gas monitoring process utilizing an expert system |
| MY108958A (en) * | 1992-10-05 | 1996-11-30 | Shell Int Research | An apparatus for fuel quality monitoring |
| AU677609B2 (en) * | 1992-10-15 | 1997-05-01 | Shell Internationale Research Maatschappij B.V. | Method for prediction of cetane numbers of gasoils |
| US5412581A (en) * | 1992-11-05 | 1995-05-02 | Marathon Oil Company | Method for measuring physical properties of hydrocarbons |
| NZ261119A (en) * | 1993-01-28 | 1997-08-22 | Shell Int Research | Neural network image processing for physical property prediction |
-
1996
- 1996-01-11 US US08/585,000 patent/US5572030A/en not_active Expired - Lifetime
- 1996-04-29 GB GB9608947A patent/GB2312741A/en not_active Withdrawn
- 1996-04-29 CA CA002175326A patent/CA2175326C/en not_active Expired - Lifetime
- 1996-05-03 DE DE19617917A patent/DE19617917C2/de not_active Expired - Lifetime
- 1996-05-07 JP JP8112861A patent/JPH09305567A/ja active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100425975C (zh) * | 2004-07-29 | 2008-10-15 | 中国石油化工股份有限公司 | 由近红外光谱测定汽油性质数据的方法 |
| JP2007183242A (ja) * | 2005-12-29 | 2007-07-19 | Ind Technol Res Inst | 移動式燃料分析装置および該移動式燃料分析装置を用いた燃料の品質を測定する方法 |
| KR101486097B1 (ko) * | 2007-05-07 | 2015-01-23 | 에스 뻬 트루와 아쉬 | 자동 점화기능을 구비한 내연 엔진의 연료분사, 연소 및/또는 후처리 파라미터 조절 방법 |
| CN101915746A (zh) * | 2010-07-22 | 2010-12-15 | 中国人民解放军空军油料研究所 | 一种航空油料及添加剂的鉴定方法 |
| WO2017098862A1 (ja) * | 2015-12-08 | 2017-06-15 | 国立研究開発法人物質・材料研究機構 | 炭化水素基修飾微粒子を受容体層とする燃料油識別センサおよび燃料油識別方法 |
| CN109562304A (zh) * | 2016-06-07 | 2019-04-02 | 横河电机美洲有限公司 | 在线测量烃过程流中蒸汽压的系统和方法 |
| JP2019527399A (ja) * | 2016-06-07 | 2019-09-26 | ヨコガワ・コーポレーション・オブ・アメリカ | 炭化水素処理流内の蒸気圧をオンラインで測定するためのシステムおよび方法 |
| WO2021177240A1 (ja) * | 2020-03-05 | 2021-09-10 | 国立研究開発法人物質・材料研究機構 | スペクトル汎化システム及び方法、並びに物質同定システム及び方法 |
| JPWO2021177240A1 (ja) * | 2020-03-05 | 2021-09-10 | ||
| WO2021206076A1 (ja) * | 2020-04-10 | 2021-10-14 | 国立大学法人筑波大学 | 計測信号処理装置、計測信号処理方法およびプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| GB2312741A (en) | 1997-11-05 |
| CA2175326C (en) | 1999-11-16 |
| GB9608947D0 (en) | 1996-07-03 |
| DE19617917A1 (de) | 1997-11-13 |
| US5572030A (en) | 1996-11-05 |
| DE19617917C2 (de) | 2002-05-29 |
| CA2175326A1 (en) | 1997-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5572030A (en) | Method for determining parameter of hydrocarbon | |
| Cole et al. | Baseline-free quantitative absorption spectroscopy based on cepstral analysis | |
| von Clarmann et al. | Selection of optimized microwindows for atmospheric spectroscopy | |
| EP0663997B1 (en) | Spectroscopic instrument calibration | |
| AU676854B2 (en) | An apparatus for fuel quality monitoring | |
| CA2028822A1 (en) | Method and apparatus for spectroscopic comparison of compositions | |
| Lee et al. | On the modeling of hyperspectral remote-sensing reflectance of high-sediment-load waters in the visible to shortwave-infrared domain | |
| Nespeca et al. | Rapid and Simultaneous Prediction of Eight Diesel Quality Parameters through ATR‐FTIR Analysis | |
| Fodor et al. | Estimation of middle distillate fuel properties by FT-IR | |
| JPH08505944A (ja) | 炭化水素製品の物理特性データの予測方法 | |
| Ouyang et al. | Classification and determination of alcohol in gasoline using NIR spectroscopy and the successive projections algorithm for variable selection | |
| EP0671003B1 (en) | Method for prediction of cetane numbers of gasoils | |
| Kotlikov et al. | Comparative analysis of the stability criteria of interference coatings | |
| CN116380816A (zh) | 一种煤质在线检测系统故障判定方法、程序以及存储介质 | |
| Westbrook | Army use of near-infrared spectroscopy to estimate selected properties of compression ignition fuels | |
| NL1003058C2 (nl) | Werkwijze voor het bepalen van parameters van koolwaterstof. | |
| MXPA96001605A (en) | Method to determine hydrocarbon parameters | |
| RU2117932C1 (ru) | Способ калибровки спектрального прибора | |
| CN115436317A (zh) | 一种预测汽油辛烷值的方法 | |
| CN111487211A (zh) | 非相干宽带腔增强吸收光谱拟合波段选择方法 | |
| Buchanan | Compatability of optical-fiber measurements with near-infrared and visible analysis | |
| Myers et al. | Sensitivity of spectroradiometric calibrations in the near infrared to variations in atmospheric water vapor |