Быстрая молекулярная реконструкция химического состава сложных углеводородных смесей

Мұқаба

Дәйексөз келтіру

Толық мәтін

Ашық рұқсат Ашық рұқсат
Рұқсат жабық Рұқсат берілді
Рұқсат жабық Тек жазылушылар үшін

Аннотация

Предложен новый эвристический подход для проведения стохастической молекулярной реконструкции значительно быстрее. За основу взят двухступенчатый метод, объединяющий стохастическую реконструкцию и реконструкцию максимизацией энтропии. В предложенном методе поиск оптимальных параметров распределений осуществляется при решении нескольких сравнительно простых оптимизационных задач. Предложенный метод позволил реконструировать состав образца вакуумного газойля как минимум в 100 раз быстрее классического подхода с генетическими алгоритмами.

Толық мәтін

Рұқсат жабық

Авторлар туралы

Н. Глазов

Институт катализа СО РАН

Хат алмасуға жауапты Автор.
Email: glazov@catalysis.ru
Ресей, Новосибирск

А. Загоруйко

Институт катализа СО РАН

Email: glazov@catalysis.ru
Ресей, Новосибирск

Әдебиет тізімі

  1. De Oliveria L., Hudebine D., Guillaume D. A review of kinetic modeling methodologies for Complex Processes // Oil Gas Sci. Technol. 2016. V. 71. P. 45.
  2. Ren Y., Liao Z., Sun J. Molecular reconstruction: Recent progress toward composition modeling of petroleum fractions // J. Chem. Eng. 2019. P. 761.
  3. Neurock M., Nigam A., Trauth D. Molecular representation of complex hydrocarbon feedstocks through efficient characterization and stochastic algorithms // Chem. Eng. Sci. 1994. V. 49. № 24А. P. 4153.
  4. Hudebine D., Verstrate J. Molecular reconstruction of LCO gasoils from overall petroleum analyses// Chem. Eng. Sci. 2004. V. 59. P. 4755.
  5. Hudebine D., Verstraete J. Reconstruction of Petroleum Feedstocks by Entropy Maximization. Application to FCC Gasolines // Oil Gas Sci. Technol. 2011. V. 66. P. 437.
  6. De Oliveria L., Vazquez Trujillo A., Verstrate J. Molecular Reconstruction of Petroleum Fraction: Application to Vacuum Residues from Different Origins // Energy & Fuels. 2013. V. 27. P. 3622.
  7. Alvarez-Majmutov A., Chen J., Gieleciak R. Molecular-Level Modeling and Simulation of Vacuum Gas Oil Hydrocracking // Energy & Fuels. 2016. V. 30. P. 138.
  8. Zhao G., Yang M., Du W. A stochastic reconstruction strategy based on a stratified library of structural descriptors and its application in the molecular reconstruction of naphtha // Chin. J. Chem. Eng. 2022. V. 51. P. 153.
  9. Dantas T., Noriler D., Huziwara K. A multi-populating particle swarm optimization algorithm with adaptive patterns of movement for the stochastic reconstruction of petroleum fractions // Comput. Chem. Eng. 2023. P. 174.
  10. Deniz C.U., Yasar M., Klein M.T. Stochastic Reconstruction of Complex Heavy Oil Molecules using an Artificial Neural Network// Energy & Fuels 2017. V. 31. № 11. P. 11932.
  11. Alvarez-Majmutov A., Gieleciak R., Chen Jinwen. Deriving the Molecular Composition of Vacuum Distillates by Integrating Statistical Modeling and Detailed Hydrocarbon Characterization// Energy & Fuels. 2015. V. 29. № 12. P. 7931.
  12. Skander N., Chitour C.E. A new Group-contribution method for the estimation of Physical properties of Hydrocarbons// Oil Gas Sci. Technol. 2002. V. 57. № 4. P. 369.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу
2. Fig. 1. Simulated distillation (ASTM D2887-97a) of the sample.

Жүктеу (1KB)
Метадеректер
3. Fig. 2. Examples of the obtained curves of simulated distillation for reconstructed compositions based on the “non-stochastic” method. Dots – experiment, line – calculation. Each graph corresponds to a different initial approximation.

Жүктеу (7KB)
Метадеректер
4. Fig. 3. Calculated curves of simulated distillation. a – initial approximation, b – after the first iteration, c – after the fifth iteration. Points – experiment, line – calculation using stochastic reconstruction, dotted line – calculation result after entropy maximization.

Жүктеу (4KB)
Метадеректер

© Russian Academy of Sciences, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».