hrvatski

Predviđanje svojstava dizelskih goriva primjenom vibracijske spektroskopije uz multivarijantnu analizu i umjetne neuronske mreže

U ovom radu primijenjene su multivarijantna regresijska analiza (metoda parcijalnih najmanjih kvadrata) (PLS) i umjetne neuronske mreže (ANN) kao kalibracijski modeli razvijeni na metodama vibracijske spektroskopije sa svrhom brzog i preciznog određivanja najvažnijih fizikalno-kemijskih svojstava dizelskih goriva. Korištene su sljedeće metode vibracijske spektroskopije: infracrvena spektroskopija u srednjem području, temeljena na prigušenoj totalnoj refleksiji (FTIR-ATR) i FT-Ramanova spektroskopija. Navedena metodologija je primijenjena na dizelskim gorivima s tržišta. Odabrana su njihova najvažnija fizikalno-kemijska svojstva: cetanski broj, cetanski indeks, gustoća, viskoznost, destilacijske značajke (T10, T50 i T90), sadržaj ukupnih i policikličkih aromatskih ugljikovodika. Navedena svojstva dizelskog goriva eksperimentalno su određena normiranim ispitnim metodama te su dobiveni rezultati za devedeset i tri uzorka komercijalnih dizelskih goriva korišteni pri izradi PLS i ANN kalibracijskih modela. Prilikom konstrukcije PLS modela korišteni su neobrađeni FTIR-ATR i FT-Ramanovi spektri i dva spektralna područja: cijeli spektar i područje „otiska prsta“ („fingerprint“). Dobiveni PLS modeli su provjereni primjenom postupka križne validacije, te je na temelju koeficijenta korelacije i pogreške križne validacije ustanovljeno da su oba razvijena modela, PLS/FTIR-ATR i PLS/FT-Raman modeli, vrlo točni, a dobiveni rezultati usporedivi s rezultatima i preciznošću normiranih ispitnih metoda. Uz PLS modele, istraženi su i ustanovljen je optimalni ANN model za predviđanje navedenih svojstava dizelskog goriva korištenjem FTIR-ATR i FT-Ramanovih spektralnih podataka kao ulaznih varijabla. Primijenjene su dvije vrste mreža: višeslojna perceptronska mreža (MLP) i mreža s radijalnom baznom funkcijom (RBF). Algoritmi za treniranje mreže, broj neurona u skrivenom sloju i broj podataka u skupu za treniranje optimirani su za obje neuronske mreže kako bi se osigurala zadovoljavajuća točnost modela uz smanjenje nepotrebnog eksperimentalnog rada. Utvrđeno je da MLP modeli, uz primjenu FTIR-ATR spektralnih ulaznih podataka daju točnije rezultate u usporedbi s RBF modelima i FT-Ramanovim ulaznim podacima. Općenito, modeli na temelju PLS algoritma daju nešto bolje kalibracijske rezultate u odnosu na ANN modele. Usporedbom novih razvijenih metoda temeljenih na primjeni vibracijske spektroskopije uz multivarijantnu analizu i umjetne neuronske mreže s normiranim ispitnim metodama utvrđeno je da se vrijednosti svojstava vrlo dobro slažu s vrijednostima dobivenima normiranim metodama i zadovoljavaju zadane granice ponovljivosti i obnovljivosti, osim za određivanje gustoće. Dobiveni modeli se mogu koristiti kao vlastita analitička metoda za brzu i pouzdanu kontrolu kvalitete dizelskog goriva i sličnih frakcija dobivenih pri rafinerijskoj preradbi nafte budući da omogućuju istovremeno određivanje najvažnijih svojstava samo jednim mjerenjem IR ili Ramanovog spektra.

dizelsko gorivo ; fizikalna i kemijska svojstva ; FTIR-ATR ; FT-Raman ;

nije evidentirano