Интерактивное определение свойств нафты (лигроина) как этиленового сырья с использованием спектроскопии в ближнем инфракрасном диапазоне

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Предоставление актуальной информации о свойствах нафты как этиленового сырья в режиме реального времени имеет большое значение для улучшения моделирования, управления и оптимизации процессов. Интерактивная (в режиме онлайн) система измерения спектра полного пропускания в ближнем ИК-диапазоне (NIR), а также метод регрессии основных компонентов и метод частичных наименьших квадратов (PLS) использованы для разработки моделей, прогнозирующих свойства нафты при различных методах предварительной обработки. Прогнозируемые относительные ошибки моделей NIR, разработанных методом PLS, особенно для точек температуры фракционирования тестового набора, составляют в основном 1-5%, т.е. их можно использовать для создания приемлемых моделей прогнозирования в ближнем ИК-диапазоне при интерактивном определении свойств нафты cглаживание Савицкого- Голея в сочетании с предварительной обработкой первой производной обеспечивает наилучший эффект устранения шумов по сравнению с другими методами.

Об авторах

Fan Chen

East China University of Science and Technology

Email: petrochem@ips.ac.ru
200237, Shanghai, China

Liu Tianbo

Sinopec Jinan company

Email: petrochem@ips.ac.ru
250102, Jinan, China

Hu Guihua

East China University of Science and Technology

Email: petrochem@ips.ac.ru
200237, Shanghai, China

Yang Minglei

East China University of Science and Technology

Email: petrochem@ips.ac.ru
200237, Shanghai, China

Long Jian

East China University of Science and Technology;Qingyuan Innovation Laboratory

Автор, ответственный за переписку.
Email: longjian@ecust.edu.cn
200237, Shanghai, China; 362801, Quanzhou, China

Список литературы

  1. Zhang S., Wang S., Xu Q. Emission constrained dynamic scheduling for ethylene cracking furnace system // Ind. Eng. Chem. Res. 2017. V. 56. № 5. P. 1327-1340. https://doi.org/10.1021/acs.iecr.6b02822
  2. Gu H., Li J., Mu P., Zhu Q. Improving the operational efficiency of ethylene cracking integrated with refining by molecular management // Ind. Eng. Chem. Res. 2020. V. 59. № 29, P. 13160-13174. https://doi.org/10.1021/acs.iecr.0c01705
  3. Zhao C., Liu C., Xu Q. Dynamic scheduling for ethylene cracking furnace system // Ind. Eng. Chem. Res. 2011. V. 50. № 21. P. 12026-12040. https://doi.org/10.1021/ie200318p
  4. Trichard F., Forquet V., Gilon N., Lienemann C.P., Baco-Antoniali F. Detection and quantification of sulfur in oil products by laser-induced breakdown spectroscopy for on-line analysis // Spectrochim. Acta, Part B. 2016. V. 118. P. 72-80. https://doi.org/10.1016/j.sab.2016.02.001
  5. Wang K., Du W., Long J. Near-infrared wavelength-selection method based on joint mutual information and weighted bootstrap sampling // IEEE Trans. Ind. Inf. 2020. V. 16. № 9. P. 5884-5894. https://doi.org/10.1109/TII.2020.2972351
  6. Santos F.D., Santos L.P., Cunha P.H.P., Borghi F.T., Romão W., de Castro E.V. R., de Oliveira E.C., Filgueiras P.R. Discrimination of oils and fuels using a portable NIR spectrometer // Fuel. 2021. V. 283. P. 118854. https://doi.org/10.1016/j.fuel.2020.118854
  7. Joshi N.B., Mullins O.C., Jamaluddin A., Creek J., McFadden J. Asphaltene precipitation from live crude oil // Energy Fuels. 2001. V. 15. № 4. P. 979-986. https://doi.org/10.1021/ef010047l
  8. Barreira F.R., Reis L.G., Nunes R.d.C.P., Filipakis S.D., Lucas E.F. Asphaltenes precipitation onset: Influence of the addition of a second crude oil or its asphaltenes fractions (C3I and C5I) // Energy Fuels. 2018. V. 32. № 10. P. 10391-10397. https://doi.org/10.1021/acs.energyfuels.8b01749
  9. Wang K., He K., Du W., Long J. Novel adaptive sample space expansion approach of NIR model for in-situ measurement of gasoline octane number in online gasoline blending processes // Chem. Eng. Sci. 2021. V. 242, p. 116672. https://doi.org/10.1016/j.ces.2021.116672
  10. Long J., Jiang S. Y., Liu T. B., Wang K., He R.C., Zhao L. Modified hybrid strategy integrating online adjustable oil property characterization and data-driven robust optimization under uncertainty: Application in gasoline blending // Energy Fuels. 2022. V. 36. № 12. P. 6581-6596. https://doi.org/10.1021/acs.energyfuels.2c00195
  11. Long J., Jiang S. Y., He R.C., Zhao L. Diesel blending under property uncertainty: A data-driven robust optimization approach // Fuel. 2021. V. 306. P. 121647. https://doi.org/10.1016/j.fuel.2021.121647
  12. Chen M., Khare S., Huang B., Zhang H., Lau E., Feng E. Recursive wavelength-selection strategy to update near-infrared spectroscopy model with an industrial application // Ind. Eng. Chem. Res. 2013. V 52. № 23. P. 7886-7895. https://doi.org/10.1021/ie4008248
  13. Yu H., Du W., Lang Z.Q., Wang K., Long J. A Novel integrated approach to characterization of petroleum naphtha properties from near-infrared spectroscopy // IEEE Trans. Instrum. Meas. 2021. V. 70. P. 1-13. Art. № 2510413. https://doi.org/10.1109/TIM.2021.3077659
  14. Wang S., Liu S., Zhang J., Che X., Wang Z., Kong D. Feasibility study on prediction of gasoline octane number using NIR spectroscopy combined with manifold learning and neural network // Spectrochim. Acta, Part A. 2020. V. 228. P. 117836. https://doi.org/10.1016/j.saa.2019.117836
  15. Wang X., Yang K., Kalivas J.H. Comparison of extreme learning machine models for gasoline octane number forecasting by near-infrared spectra analysis // Optik. 2020. V. 200. P. 163325. https://doi.org/10.1016/j.ijleo.2019.163325
  16. Correa Gonzalez S., Kroyan Y., Sarjovaara T., Kiiski U., Karvo A., Toldy A.I., Larmi M., Santasalo-Aarnio A. Prediction of gasoline blend ignition characteristics using machine learning models // Energy Fuels. 2021. V. 35. № 11. P. 9332-9340. https://doi.org/10.1021/acs.energyfuels.1c00749
  17. He K., Zhong M., Fang J., Li Y. Biased minimax probability machine-based adaptive regression for online analysis of gasoline property // IEEE Trans. Ind. Inf. 2020. V. 16. № 4. P. 2799-2808. https://doi.org/10.1109/TII.2019.2945001
  18. Li J., Chu X. Rapid determination of physical and chemical parameters of reformed gasoline by near-infrared (NIR) spectroscopy combined with the Monte Carlo virtual spectrum identification method // Energy Fuels. 2018. V. 32. № 12. P. 12013-12020. https://doi.org/10.1021/acs.energyfuels.8b00854
  19. Купцов А.Х., Арбузова Т.В. Исследование тяжелых фракций нефти методом Фурье-спектроскопии КР ближнего ИК-диапазона // Нефтехимия. 2011. Т. 51. № 3. С. 214-222. EDN NWCMOB [Kuptsov A.K., Arbuzova T.V. A study of heavy oil fractions by Fourier-transform near-infrared Raman spectroscopy // Petrol. Chemistry. 2011. V. 51. № 3. P. 203-211. https://doi.org/10.1134/S0965544111020083].
  20. Kashaev R.S. Structural-dynamic phase transitions in petroleum disperse systems // Petrol. Chemistry. 2019. V. 59. № 2. P. 143-150. https://doi.org/10.1134/S0965544119020087
  21. Huang Y., Dong W., Chen Y., Wang X., Luo W., Zhan B., Liu X., Zhang H. Online detection of soluble solids content and maturity of tomatoes using Vis/NIR full transmittance spectra // Chemometrics and Intelligent Laboratory Systems. 2021. V. 210. P. 104243. https://doi.org/10.1016/j.chemolab.2021.104243
  22. Hosani E.A., Meribout M., Al-Durra A., Al-Wahedi K., Teniou S. A new optical-based device for online black powder detection in gas pipelines // IEEE Trans. Instrum. Meas. 2014. V. 63. № 9. P. 2238-2252. https://doi.org/10.1109/TIM.2014.2308985
  23. Haghi R.K., Yang J., Tohidi B. Fourier transform near-infrared (FTNIR) spectroscopy and partial least-squares (PLS) algorithm for monitoring compositional changes in hydrocarbon gases under in situ pressure // Energy Fuels. 2017. V. 31. № 9. P. 10245-10259. https://doi.org/10.1021/acs.energyfuels.7b01677

© Российская академия наук, 2023

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах