RU2568330C2 - Способ идентификации компонентов бензина и определения его состава в режиме реального времени - Google Patents
Способ идентификации компонентов бензина и определения его состава в режиме реального времени Download PDFInfo
- Publication number
- RU2568330C2 RU2568330C2 RU2014116187/08A RU2014116187A RU2568330C2 RU 2568330 C2 RU2568330 C2 RU 2568330C2 RU 2014116187/08 A RU2014116187/08 A RU 2014116187/08A RU 2014116187 A RU2014116187 A RU 2014116187A RU 2568330 C2 RU2568330 C2 RU 2568330C2
- Authority
- RU
- Russia
- Prior art keywords
- components
- gasoline
- composition
- coefficients
- spectral absorption
- Prior art date
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Изобретение относится к измерительным системам и устройствам и может быть использовано для идентификации компонентов бензина и определения его состава. Техническим результатом является обеспечение идентификации в режиме реального времени с оперативным внесением поправок в технологический процесс. Способ заключается в том, что идентификацию компонентов производят по минимуму целевой функции и активному состоянию нейронов искусственной нейронной сети идентификации, изменяя при этом коэффициенты синаптических связей, расчет значений активации нейронов определяют в соответствии с функцией активации, при этом концентрацию компонентов бензина производят по минимуму целевой функции и активному состоянию нейрона искусственной нейронной сети состава, изменяя коэффициенты синаптических связей, а расчет значения активации нейрона состава производят в соответствии с функцией активации, и при активном состоянии нейрона состава принимают значения концентрации компонентов в смеси численно равным значениям коэффициентов синаптических связей. 5 табл., 5 ил.
Description
Изобретение относится к измерительным устройствам и системам для определения состава и октанового числа бензинов и может использоваться, например, для контроля и поддержания требуемой концентрации и значения детонационной стойкости компонентов при производстве товарного бензина путем смешения компонентов.
Известно изобретение «СПОСОБ ОПРЕДЕЛЕНИЯ ОКТАНОВОГО ЧИСЛА БЕНЗИНОВ И УСТРОЙСТВО ДЛЯ ЕГО РЕАЛИЗАЦИИ» [1].
Способ определения октанового числа бензинов, включающий зондирование оптическим излучением кюветы с бензином; измерение интенсивности прошедшего оптического излучения на выходе кюветы; определение коэффициента поглощения, отличающийся тем, что кювету зондируют оптическим пучком излучения дальнего ультрафиолетового или фиолетового диапазона с длиной волны 370≤λ≤420 нм; измеряют интенсивность прошедшего излучения при зондировании пустой кюветы и кюветы, наполненной анализируемым бензином, и определяют оптическую плотность из следующего соотношения:
где Dλ - оптическая плотность кюветы с анализируемым бензином; D0λ - оптическая плотность пустой кюветы; (I0)λ - интенсивность входного излучения (при отсутствии кюветы) на длине волны λ; (Ii)0λ - интенсивность излучения на длине волны длины λ, прошедшего пустую кювету; (Ii)λ - интенсивность излучения на длине волны длины λ, прошедшего кювету, наполненную анализируемым бензином; (k0i1)λ - спектральный коэффициент поглощения бензина на длине волны λ; L - толщина зондируемой кюветы,
при этом октановое число определяют по калибровочной кривой, связывающей значения оптической плотности бензина с соответствующим значением октанового числа бензина.
Недостатком указанного аналога является то, что калибровочная кривая, связывающая значения оптической плотности или спектральных коэффициентов поглощения бензина с соответствующим значением октанового числа бензина, будет еще определяться компонентным составом бензина, который может быть не известен.
Известно изобретение «АВТОМАТИЗИРОВАННЫЙ СПОСОБ СПЕКТРОФОТОМЕТРИЧЕСКОГО АНАЛИЗА ВЕЩЕСТВ» [2].
Автоматизированный способ спектрофотометрического анализа веществ, включающий измерение оптической плотности, по меньшей мере, двух образцов с известным значением определяемого показателя вещества непрерывно по шкале длин волн в видимом, инфракрасном или ультрафиолетовом диапазоне спектра; формирование банка данных по полученным спектрам; регистрацию спектра исследуемого вещества, отличающийся тем, что выбирают набор информативных длин волн по максимальным отклонениям одного спектра от другого, строя функциональную зависимость определяемого показателя от величины оптической плотности в наборе информативных длин волн, и по указанной зависимости находят величину искомого показателя.
Недостатком этого аналога является то, что для обеспечения указанного способа необходимо выбирать набор информативных длин волн по максимальным отклонениям одного спектра от другого и строить функциональную зависимость состава от величины оптической плотности. Набор информативных длин волн для различных компонентов, в общем случае, будет различным. То есть для выбора набора информативных длин волн необходимо априорное знание о том, какие компоненты входят в состав анализируемой смеси.
Наиболее близким по назначению и по технической сущности к предлагаемому техническому решению и выбранным вследствие этого в качестве прототипа является «СПОСОБ ОПРЕДЕЛЕНИЯ ОКТАНОВОГО ЧИСЛА БЕНЗИНОВ» [3]. Указанный способ определения октанового числа бензинов, включающий измерение спектров поглощения в ближней инфракрасной области, характеризуется тем, что последовательно измеряют в ближней инфракрасной области коэффициенты поглощения трех чистых углеводородов из ряда изооктан, n-гептан, толуол или бензол, по коэффициентам поглощения трех чистых углеводородов составляют модельный спектр вида:
Km=K1C1+K2C2+K3C3,
где K1, K2, K3 - коэффициенты поглощения n-гептана, изооктана, толуола (или бензола);
С1, C2, C3 - концентрации n-гептана, изооктана, толуола (или бензола) соответственно;
измеряют коэффициенты поглощения паспортизованных бензинов разных марок с использованием идентичных кювет и на тех же длинах волн, определяют коэффициенты С1, С2, С3 паспортизованных бензинов путем сравнения спектра поглощения каждого паспортизованного бензина с модельным, который программно видоизменяют методом перебора комбинаций значений С1, С2, C3 достижения минимального отклонения модельного спектра от спектра паспортизованного бензина; определяют градуировочную зависимость октановых чисел паспортизованных бензинов от концентрации С3 толуола (или бензола) в их модельном спектре и используют эту зависимость для определения октанового числа любого анализируемого бензина в следующей последовательности для каждого бензина: измеряют коэффициенты поглощения анализируемого бензина с использованием идентичных кювет и на тех же длинах волн; определяют коэффициенты С1, C2, С3 анализируемого бензина путем сравнения его спектра поглощения с модельным, который программно видоизменяют методом перебора комбинаций значений С1, С2, C3 до достижения минимального отклонения модельного спектра от спектра анализируемого бензина, и по концентрации толуола (или бензола) C3 модельного спектра анализируемого бензина определяют октановое число анализируемого бензина по указанной градуировочной зависимости.
Недостатком прототипа является необходимость априорного знания компонентов, входящих в состав бензина, что не всегда возможно на практике.
Задачей предлагаемого изобретения является обеспечение достоверности идентификации компонентов, входящих в состав товарного бензина, повышение точности определения состава и октанового числа бензинов.
Технический результат от использования предлагаемого изобретения заключается в обеспечении процесса идентификации компонентов бензина и определения его состава в режиме реального времени с оперативным внесением поправок в технологический процесс.
Технический результат достигается тем, что в способе идентификации компонентов бензина и определения его состава в режиме реального времени, включающем создание базы данных спектральных коэффициентов поглощения тестовых компонентов, измерение спектральных коэффициентов поглощения тестовых компонентов и бензина в технологических линиях, сигналы о спектральных коэффициентах поглощения тестовых компонентов и бензина суммируются нейронами идентификации, число которых равно числу компонентов в бензине и нейронов состава, с соответствующими синаптическими коэффициентами, величины и знаки которых, а также значения активации нейронов устанавливаются по образцам тестовых компонентов и бензинов с использованием методов обучения нейронных сетей, например, алгоритма обратного распространения ошибки, в котором минимизируются целевые функции идентификации Uj и состава В:
причем идентификацию j-компонентов производят по минимумам целевых функций Uj и активному состоянию нейронов искусственной нейронной сети идентификации, изменяя при этом коэффициенты синаптических связей ωij, а значения активации нейронов определяют в соответствии с функцией активации, например:
при этом концентрацию компонентов в бензине определяют по минимуму целевой функции состава и активному состоянию нейрона искусственной нейронной сети состава, изменяя коэффициенты синаптических связей ωij, а значения активации нейрона состава вычисляют в соответствии с функцией активации, например:
R=е-Bαε,
и при активном состоянии нейрона состава принимают значения концентрации компонентов в смеси cj численно равным значениям коэффициентов синаптических связей ωij,
где kjэт (λi) - спектральные коэффициенты поглощения тестовых компонентов находящихся в базе данных;
kj(λi) - измеренные спектральные коэффициенты поглощения компонентов в технологических линиях;
kсм(λi) - измеренные спектральные коэффициенты поглощения бензина в технологических линиях;
λi - длины волн, на которых измеряются спектральные коэффициенты поглощения;
Tj - функции активации искусственной нейронной сети идентификации;
j - число компонентов в бензине;
R - функция активации искусственной нейронной сети состава;
α, β - коэффициенты, учитывающие наклон функций активации;
ε - погрешность измерения спектральных коэффициентов поглощения.
В качестве примера реализации предлагаемого способа может быть рассмотрена многоканальная спектрометрическая информационно-измерительная система оценки состава и детонационной стойкости товарного топлива.
На фиг.1 приведена многоканальная спектрометрическая информационно-измерительная система оценки состава и детонационной стойкости товарного топлива, где:
1 - резервуары компонентов бензина (1, 2, 3, …, j),
2 - технологические трубопроводы,
3 - проточные кюветы,
4 - волоконно-оптический кабель,
5 - смесители №1 и №2,
6 - резервуар с бензином (Бензин 1 и Бензин 2),
7 - оптический мультиплексор,
7а - источник света,
8 - спектрометр,
9 - персональный компьютер (ПК).
На фиг.2 приведена искусственная нейронная сеть, используемая при идентификации компонентов бензиновой смеси.
На фиг.3 приведена искусственная нейронная сеть, используемая при вычислении состава и детонационной стойкости бензина.
На фиг.4 приведен график функции активации нейрона искусственной нейронной сети идентификации компонентов.
На фиг.5 приведен график функции активации нейрона искусственной нейронной сети вычисления состава и детонационной стойкости бензина.
Многоканальная спектрометрическая система содержит ИК-спектрометр, соединенный с промышленными проточными кюветами посредством волоконно-оптического кабеля через оптический мультиплексор. По команде от ПК излучение от ИК-излучателя через оптический мультиплексор направляется по волоконно-оптическому кабелю первого канала в промышленную проточную кювету, расположенную рядом с технологическим трубопроводом, по которому из резервуара подается первый компонент. Производится измерение спектральных коэффициентов пропускания ИК-спектрометром и последовательный ввод их значений в ПК по USB-интерфейсу с последующим расчетом на их основе спектральных коэффициентов поглощения первого компонента [5]. Результаты расчетов запоминаются в ПК, после чего по интерфейсу RS-232 ПК дает команду оптическому мультиплексору на переключение излучения от ИК-излучателя (источника света) к волоконно-оптическому кабелю второго канала, соответствующего точке отбора второго компонента. Производится измерение спектральных коэффициентов пропускания, расчет на их основе спектральных коэффициентов поглощения второго компонента и сохранение в памяти ПК. Эти действия повторяются, пока не будут измерены спектральные коэффициенты пропускания всех компонентов, а также товарных бензинов, полученных в результате смешения компонентов в смесителях и по технологическим трубопроводам поступающих в резервуар с готовым бензином. По вычисленным значениям спектральных коэффициентов поглощения компонентов kj(λi) и спектральных коэффициентов поглощения тестовых компонентов kjэт(λi) в соответствии с целевой функцией искусственной нейронной сети производится идентификация компонентов. Когда идентификация компонентов завершена, определяют состав cj в соответствии с целевой функцией искусственной нейронной сети с последующим расчетом октанового числа и формированием управляющих воздействий для управления расходами компонентов товарного бензина.
Задача обеспечения достоверности идентификации компонентов, входящих в состав товарного бензина, повышения точности определения состава и октанового числа бензинов решается применением предлагаемого способа, когда по измеренным значениям спектральных коэффициентов поглощения kj(λi) компонентов, входящих в состав бензина, и спектральных коэффициентов поглощения kсм(λi) бензина производят идентификацию компонентов бензина j, вычисляя значения синаптических коэффициентов ωij. Величины и знаки синаптических связей ωij каждого из нейронов устанавливаются при калибровке по образцам тестовых компонентов и бензинов с известными спектральными коэффициентами поглощения kj(λi) с использованием методов облучения нейронных сетей, например, алгоритма обратного распространения ошибки в котором минимизируются целевые функции Uj, B.
Способ осуществляется следующим образом.
1) Измеряются спектральные коэффициенты поглощения компонентов, входящих в состав бензина kj (λi) в технологической линии.
В примере рассматривается четыре компонента: n-гептан, изооктан, толуол, бензол (таблица 1) [4]:
| Таблица 1 | ||||
| Спектральные коэффициенты поглощения компонентов | ||||
| Длина волны, нм | n-гептан | изооктан | толуол | Бензол |
| 1080 | 0,004 | 0,001 | 0,002 | 0,03 |
| 1090 | 0 | 0 | 0 | 0 |
| 1100 | 0 | 0 | 0 | 0 |
| 1110 | 0,011 | 0,015 | 0,0125 | 0,042 |
| 1120 | 0,014 | 0,02 | 0,1 | 0,2 |
| 1130 | 0,049 | 0,05 | 0,325 | 0,5625 |
| 1140 | 0,075 | 0,125 | 1,15 | 1,9 |
| 1150 | 0,3 | 0,3625 | 1,2 | 1,2 |
| 1160 | 0,345 | 0,4375 | 0,45 | 0,2875 |
| 1170 | 0,5125 | 0,6 | 0,3375 | 0,1625 |
| 1180 | 0,75 | 0,8875 | 0,413 | 0,075 |
| 1190 | 1,6 | 1,65 | 0,6 | 0,0625 |
| 1200 | 1,45 | 1,35 | 0,45 | 0,0132 |
| 1210 | 1,78 | 0,7102 | 0,161 | 0,0126 |
| 1220 | 1,2 | 0,55 | 0,629 | 0,0116 |
| 1230 | 0,55 | 0,3 | 0,0612 | 0,0112 |
2) Изменяя коэффициенты синаптической связи ωij, минимизируется целевая функция Uj,:
с использованием алгоритма обратного распространения ошибки,
где λi - длина волны; kj(λi) - спектральный коэффициент поглощения j-ого компонента на i-ой длине волны; kjэт (λi) - коэффициент поглощения j-го тестового компонента на i-й длине волны; ωij - коэффициент синаптической связи j-го компонента на i-й длине волны.
3) Компонент идентифицирован, когда нейрон активирован, а функция активации
имеет значение 0,999≤T≤1 (фиг.4),
где β - коэффициент, учитывающий наклон функции активации; ε=0,01 - погрешность измерения спектральных коэффициентов поглощения.
4) Измеряются спектральные коэффициенты поглощения бензина kсм (λi) в технологической линии (таблица 2):
| Таблица 2 | ||||
| Значения спектральных коэффициентов поглощения бензина 1, 2, 3, 4. | ||||
| Длина волны, нм | k поглощения Смеси 1 (А-80) | k поглощения Смеси 2 (АИ-92) | k поглощения Смеси 3 (АИ-95) | k поглощения Смеси 4 (АИ-98) |
| 1080 | 0,0016607 | 0,0013427 | 0,0040409 | 0,003972 |
| 1090 | 0 | 0 | 0 | 0 |
| 1100 | 0 | 0 | 0 | 0 |
| 1110 | 0,0140072 | 0,0145354 | 0,0173987 | 0,017635 |
| 1120 | 0,0226395 | 0,0250554 | 0,0374736 | 0,037863 |
| ИЗО | 0,0636829 | 0,0697286 | 0,1015837 | 0,100703 |
| 1140 | 0,1668361 | 0,1913762 | 0,3023259 | 0,302703 |
| 1150 | 0,3930848 | 0,4151751 | 0,439582 | 0,442058 |
| 1160 | 0,4232332 | 0,4293248 | 0,4180944 | 0,422167 |
| 1170 | 0,5670818 | 0,5759268 | 0,5522126 | 0,554859 |
| 1180 | 0,8361118 | 0,8463342 | 0,7999697 | 0,802912 |
| 1190 | 1,5828313 | 1,582134 | 1,496415 | 1,498348 |
| 1200 | 1,3259162 | 1,299941 | 1,2308942 | 1,223276 |
| 1210 | 0,8949754 | 0,7642968 | 0,6992196 | 0,678423 |
| 1220 | 0,6827157 | 0,6121177 | 0,5366323 | 0,520776 |
| 1230 | 0,3373029 | 0,3029228 | 0,2884309 | 0,280779 |
5) Изменяя коэффициенты синаптической связи ωj, минимизируется целевая функция В :
где kсм (λi) - спектральный коэффициент поглощения бензина на i-й длине волны.
6) Состав установлен, когда нейрон активирован, а функция активации
R=е-Baε
имеет значение 0.999≤R≤1 (фиг.5),
где α - коэффициент, учитывающий наклон функции активации; ε=0,01 - погрешность измерения спектральных коэффициентов поглощения.
При этом концентрации компонентов в бензине cj численно равны значениям коэффициентов синаптических связей ωj.
| Таблица 3 | ||||
| Вычисленные и тестовые значения концентраций компонентов бензинов | ||||
| Бензин 1 | Бензин 2 | Бензин 3 | Бензин 4 | |
| Тестовое значение концентрации n-гептана, % | 20,00% | 9,00% | 6,00% | 3,00% |
| Тестовое значение концентрации изооктана, % | 75,00% | 84,00% | 84,00% | 87,00% |
| Тестовое значение концентрации толуола, % | 5,00% | 7,00% | 0,00% | 0,00% |
| Тестовое значение концентрации бензола, % | 0,00% | 0,00% | 10,00% | 10,00% |
| Вычисленное значение концентрации н-гептана, % | 19,8262% | 8,8744% | 5,7846% | 3,1063% |
| Вычисленное значение концентрации изооктана, % | 75,2469% | 84,1866% | 84,2998% | 86,8967% |
| Вычисленное значение кцентрации толуола, % | 4,9269% | 6,9390% | 0,2698% | 0,0000% |
| Вычисленное значение концентрации бензола, % | 0,0000% | 0,0000% | 9,6458% | 9,9971% |
| Погрешность вычисления концентрации н-гептана, % | 0,173822499 | 0,125621022 | 0,215435268 | 0,106268190 |
| Погрешность вычисления концентрации изооктана , % | 0,246894713 | 0,186634822 | 0,299846913 | 0,103345864 |
| Погрешность вычисления концентрации толуола, % | 0,073072213 | 0,061013800 | 0,269794846 | 0,000000000 |
| Погрешность вычисления концентрации бензола, % | 0,000000000 | 0,000000000 | 0,354206491 | 0,002922326 |
Погрешность вычисления состава бензина определялась по формуле:
Δcj=(сэj-cj)·100,
где сэj - тестовое значение концентрации j-го компонента бензина, cj - вычисленное значение концентрации j-го компонента бензина.
7) По вычисленным значениям концентраций компонентов бензина cj находят октановое число товарного бензина по формуле:
где cj - концентрация j-го компонента бензина; Qj - октановое число j-го компонента бензина; b - суммарное отклонение октановых чисел от аддитивности, обусловленное межмолекулярными взаимодействиями между компонентами:
где bj - интенсивность межмолекулярных взаимодействий j-го компонента, cj - концентрация j-го компонента.
Интенсивность межмолекулярного взаимодействия углеводородов
| Компонент | bj |
| n-гептан | 0,1 |
| изооктан | 0,12 |
| толуол | 0,78 |
| бензол | 1,08 |
| Таблица 4 | ||||
| Октановые числа смесей | ||||
| Октановые числа | ||||
| Смесь 1 | Смесь 2 | Смесь 3 | Смесь 4 | |
| Суммарное отклонение, bj | 0,00149 | 0,001644 | 0,002148 | 0,002154 |
| ИОЧ | 80,9488 | 92,2167 | 95,5139 | 98,1955 |
| МОЧ | 80,2788 | 91,2730 | 95,3422 | 98,0555 |
Данное техническое решение промышленно реализуемо на нефтеперерабатывающих предприятиях.
Источники информации
1. Патент на изобретение RU 2331058 «СПОСОБ ОПРЕДЕЛЕНИЯ ОКТАНОВОГО ЧИСЛА БЕНЗИНОВ И УСТРОЙСТВО ДЛЯ ЕГО РЕАЛИЗАЦИИ», МПК G01N 21/35, приоритет от 02.04.2007.
2. Патент на изобретение RU 2284506 «АВТОМАТИЗИРОВАННЫЙ СПОСОБ СПЕКТРОФОТОМЕТРИЧЕСКОГО АНАЛИЗА ВЕЩЕСТВ», МПК G01N 21/31, приоритет от 05.09.2002.
3. Патент на изобретение RU 2310830 «СПОСОБ ОПРЕДЕЛЕНИЯ ОКТАНОВОГО ЧИСЛА БЕНЗИНОВ», МПК G01N 21/35, приоритет от 17.08.2006.
4. Веснин В.Л., Мурадов В.Г. «Характерные особенности спектров поглощения бинарных смесей углеводородов в области длин волн 1090-1240 нм на примере изооктана, n-гептана, толуола, бензола», Известия Самарского научного центра Российской академии наук, т.11, №3, 2009, с. 29-32..
5. Шмидт В. «Оптическая спектроскопия для химиков и биологов». - М.: Изд-во «Техносфера», 2007.
Claims (1)
- Способ идентификации компонентов бензина и определения его состава в режиме реального времени, включающий создание базы данных спектральных коэффициентов поглощения тестовых компонентов, измерение спектральных коэффициентов поглощения тестовых компонентов и бензина в технологических линиях, отличающийся тем, что сигналы о спектральных коэффициентах поглощения тестовых компонентов и бензина суммируются нейронами идентификации, число которых равно или больше числа компонентов в бензине, и нейроном состава, с соответствующими синаптическими коэффициентами, величины и знаки которых, а также значения активации нейронов устанавливаются по образцам тестовых компонентов и бензинов с использованием алгоритма обратного распространения ошибки, в котором минимизируются целевые функции идентификации Uj и состава В:
причем идентификацию j-компонентов производят по минимумам целевых функций Uj и активному состоянию нейронов искусственной нейронной сети идентификации, изменяя при этом коэффициенты синаптических связей ωij, а значения активации нейронов определяют в соответствии с функцией активации
Tj=e-Ujβε,
при этом концентрацию компонентов в бензине определяют по минимуму целевой функции состава и активному состоянию нейрона искусственной нейронной сети состава, изменяя коэффициенты синаптических связей ωij, а значения активации нейрона состава вычисляют в соответствии с функцией активации
R=е-Bαε,
и при активном состоянии нейрона состава принимают значения концентрации компонентов в смеси cj численно равным значениям коэффициентов синаптических связей ωij,
где kjэт(λi) - спектральные коэффициенты поглощения тестовых компонентов, находящихся в базе данных;
kj(λi) - измеренные спектральные коэффициенты поглощения компонентов в технологических линиях;
kсм(λi) - измеренные спектральные коэффициенты поглощения бензина в технологических линиях;
λi - длины волн, на которых измеряются спектральные коэффициенты поглощения;
Tj - функции активации искусственной нейронной сети идентификации;
j - число компонентов в бензине;
R - функция активации искусственной нейронной сети состава;
α, β - коэффициенты, учитывающие наклон функций активации;
ε - погрешность измерения спектральных коэффициентов поглощения.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2014116187/08A RU2568330C2 (ru) | 2014-04-22 | 2014-04-22 | Способ идентификации компонентов бензина и определения его состава в режиме реального времени |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2014116187/08A RU2568330C2 (ru) | 2014-04-22 | 2014-04-22 | Способ идентификации компонентов бензина и определения его состава в режиме реального времени |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2014116187A RU2014116187A (ru) | 2015-10-27 |
| RU2568330C2 true RU2568330C2 (ru) | 2015-11-20 |
Family
ID=54362647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2014116187/08A RU2568330C2 (ru) | 2014-04-22 | 2014-04-22 | Способ идентификации компонентов бензина и определения его состава в режиме реального времени |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2568330C2 (ru) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| RU2310830C1 (ru) * | 2006-08-17 | 2007-11-20 | Институт радиотехники и электроники Российской Академии Наук | Способ определения октанового числа бензинов |
| RU2331058C1 (ru) * | 2007-04-02 | 2008-08-10 | ГОУ ВПО "Саратовский государственный университет им. Н.Г. Чернышевского" | Способ определения октанового числа бензинов и устройство для его реализации |
| RU85228U1 (ru) * | 2009-05-12 | 2009-07-27 | Государственное образовательное учреждение высшего профессионального образования "Пензенский государственный университет" (ПГУ) | Нейроколориметр |
-
2014
- 2014-04-22 RU RU2014116187/08A patent/RU2568330C2/ru not_active IP Right Cessation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| RU2310830C1 (ru) * | 2006-08-17 | 2007-11-20 | Институт радиотехники и электроники Российской Академии Наук | Способ определения октанового числа бензинов |
| RU2331058C1 (ru) * | 2007-04-02 | 2008-08-10 | ГОУ ВПО "Саратовский государственный университет им. Н.Г. Чернышевского" | Способ определения октанового числа бензинов и устройство для его реализации |
| RU85228U1 (ru) * | 2009-05-12 | 2009-07-27 | Государственное образовательное учреждение высшего профессионального образования "Пензенский государственный университет" (ПГУ) | Нейроколориметр |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2014116187A (ru) | 2015-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kramer | Chemometric techniques for quantitative analysis | |
| AU676854B2 (en) | An apparatus for fuel quality monitoring | |
| CN107615046A (zh) | 在线测量油气管道中的黑色粉末 | |
| Chami et al. | POLVSM (Polarized Volume Scattering Meter) instrument: an innovative device to measure the directional and polarized scattering properties of hydrosols | |
| JPH09305567A (ja) | 炭化水素燃料の評価方法 | |
| JPH05506510A (ja) | オンライン工程管理のモニタリングシステム | |
| CN109187443A (zh) | 基于多波长透射光谱的水体细菌微生物准确识别方法 | |
| CN107860743A (zh) | 利用反射式近红外光纤探头构建快速预测原油性质的模型的方法及其应用 | |
| Zhang et al. | Estimation of phytoplankton taxonomic groups in the Arctic Ocean using phytoplankton absorption properties: Implication for ocean-color remote sensing | |
| Alboqami et al. | A methodology for designing octane number of fuels using genetic algorithms and artificial neural networks | |
| CN112903644B (zh) | 一种超宽范围的荧光定量分析方法和荧光测量系统 | |
| CN1116878A (zh) | 用于预测碳氢化合物产品物理性能数据的方法 | |
| Pell et al. | Process analytical chemistry and chemometrics, Bruce Kowalski's legacy at The Dow Chemical Company | |
| RU2568330C2 (ru) | Способ идентификации компонентов бензина и определения его состава в режиме реального времени | |
| Jha | Near infrared spectroscopy | |
| Tripathi et al. | Reflection–absorption-based near infrared spectroscopy for predicting water content in bio-oil | |
| CN101893560B (zh) | 一种汽油锰含量快速测定方法 | |
| Conejo et al. | Biophotonic in situ sensor for plant leaves | |
| CN100451615C (zh) | 用近红外光谱测定加氢尾油环烷烃及芳烃族组成的方法 | |
| Bichang’a et al. | The properties of AGN in dwarf galaxies identified via SED fitting | |
| RU2820424C2 (ru) | Способ лазерного сканирования жидкостей в полых призмах | |
| EP3913044A1 (en) | Device and method for determining a viability and/or a cell count of biological cells in a cell suspension culture by means of collimated transmission | |
| Boschetti et al. | A new genetic algorithm applied to the near infrared analysis of gasolines | |
| Lockwood et al. | Modeling aerosol transmission spectra from n (λ) and k (λ) infrared optical constants measurements of organic liquids and solids | |
| Chen et al. | Uncertainty evaluation method of the scattering matrix measurements for the polarized scanning nephelometer |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20160423 |