CZ310013B6 - Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu - Google Patents
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu Download PDFInfo
- Publication number
- CZ310013B6 CZ310013B6 CZ2022-327A CZ2022327A CZ310013B6 CZ 310013 B6 CZ310013 B6 CZ 310013B6 CZ 2022327 A CZ2022327 A CZ 2022327A CZ 310013 B6 CZ310013 B6 CZ 310013B6
- Authority
- CZ
- Czechia
- Prior art keywords
- additives
- nir
- diesel fuel
- additive
- model
- Prior art date
Links
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
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G OR C10K; LIQUIFIED PETROLEUM GAS; USE OF ADDITIVES TO FUELS OR FIRES; FIRE-LIGHTERS
- C10L10/00—Use of additives to fuels or fires for particular purposes
- C10L10/08—Use of additives to fuels or fires for particular purposes for improving lubricity; for reducing wear
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G OR C10K; LIQUIFIED PETROLEUM GAS; USE OF ADDITIVES TO FUELS OR FIRES; FIRE-LIGHTERS
- C10L10/00—Use of additives to fuels or fires for particular purposes
- C10L10/12—Use of additives to fuels or fires for particular purposes for improving the cetane number
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G OR C10K; LIQUIFIED PETROLEUM GAS; USE OF ADDITIVES TO FUELS OR FIRES; FIRE-LIGHTERS
- C10L10/00—Use of additives to fuels or fires for particular purposes
- C10L10/14—Use of additives to fuels or fires for particular purposes for improving low temperature properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G OR C10K; LIQUIFIED PETROLEUM GAS; USE OF ADDITIVES TO FUELS OR FIRES; FIRE-LIGHTERS
- C10L2200/00—Components of fuel compositions
- C10L2200/04—Organic compounds
- C10L2200/0407—Specifically defined hydrocarbon fractions as obtained from, e.g. a distillation column
- C10L2200/0438—Middle or heavy distillates, heating oil, gasoil, marine fuels, residua
- C10L2200/0446—Diesel
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10L—FUELS NOT OTHERWISE PROVIDED FOR; NATURAL GAS; SYNTHETIC NATURAL GAS OBTAINED BY PROCESSES NOT COVERED BY SUBCLASSES C10G OR C10K; LIQUIFIED PETROLEUM GAS; USE OF ADDITIVES TO FUELS OR FIRES; FIRE-LIGHTERS
- C10L2290/00—Fuel preparation or upgrading, processes or apparatus therefore, comprising specific process steps or apparatus units
- C10L2290/60—Measuring or analysing fractions, components or impurities or process conditions during preparation or upgrading of a fuel
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Organic Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Combustion & Propulsion (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu představuje rychlou, nedestruktivní a nízkonákladovou analytickou metodu, která zahrnuje přípravu směsi motorové nafty s aditivy v různém poměru a o různé koncentraci, následně se prostřednictvím NIR spektrometru změří spektra vzorků obsahujících motorovou naftu a aditiva. Tyto spektra se použijí pro vývoj NIR modelu jako vstupní data pro multivariační statistickou analýzu, získaná NIR spektra jsou korelována s referenčními hodnotami aditiv, která byla přidána do motorové nafty, a dochází k optimalizaci NIR spektrální oblasti pro využití chemometrických výpočtů a následnému ověření funkčnosti modelu za použití parametrů RMSEC, RMSECV a korelačního koeficientu.
Description
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu
Oblast techniky
Vynález se týká způsobu predikce koncentrace aditiv prostřednictvím NIR modelu v matrici motorové nafty, na základě korelace naměřených NIR spekter a koncentrace vybraného aditiva obsaženého v motorové naftě.
Dosavadní stav techniky
Motorová nafta je v prostředí jednotlivých rafinérií produkována z dílčích komponent (tzv. diesel pool), které svým destilačním rozmezím odpovídají středním destilátům. Zpravidla to bývají směsi hydrogenovaných plynových olejů (atmosférický a vakuový), hydrogenovaný petrolej, alternativní (obnovitelné) suroviny či methylestery mastných kyselin. Komponenty motorové nafty jsou vzájemně míchány v prostředí statického mísiče, kde jsou rovněž přidávána příslušná aditiva pro úpravu vybraných vlastností. Výrobní směs je díky statickému mísiči dokonale homogenizována. V průběhu roku je zastoupení jednotlivých komponent proměnlivé. Vše závisí na druhu zpracovávané ropy, aktuálním stavu výrobních technologií či kvalitativních požadavcích na finální produkt dle aktuální sezóny (letní, přechodová a zimní třída motorové nafty), případně na poptávce konkrétního odběratele. Zimní produkci lze charakterizovat vyšším obsahem hydrogenovaných petrolejů, či např. pro účely dlouhodobého skladování je požadována striktní absence bio-komponent.
Detailní složení motorové nafty je charakterizováno pomocí hmotnostních průtokoměrů, které zpravidla udávají počet tun prošlého materiálu za hodinu. Dávkování aditiv, obvykle v hodnotách desítek až stovek mg/kg, je rovněž řízeno prostřednictvím průtokoměrů, přičemž míra dávkování je závislá na provozních zkušenostech a stanovené účinné dávce. Efektivnost účinné dávky, tedy správné dávkování, bývá ověřeno až na základě analytického stanovení konkrétního sledovaného parametru.
Výhodou v tomto ohledu může být systém on-line sledování vybraných parametrů, který umožní bezprostřední kontrolu bez nežádoucího časového prodlení. Tento způsob však nelze použít pro ověření účinnosti některých typů aditiv, které pro svou správnou funkci potřebují dostatečný časový úsek pro zabudování se do matrice motorové nafty. Takovými jsou např. aditiva upravující nízkoteplotní vlastnosti. On-line stanovení nízkoteplotních vlastností je tak provozováno spíše na principu in-line analyzátorů, kdy je daný analyzátor umístěn v těsné blízkosti statického mísiče, analýza probíhá automaticky, avšak v definovaném časovém odstupu. Další problematickou skupinou jsou aditiva, která se kvůli svým malým koncentracím nedávkují kontinuálně, ale jednorázově. V takovémto případě lze účinnost ověřit pouze následným odběrem průměrného vzorku ze skladovací nádrže.
V návaznosti na aktuální změny ve složení matrice motorové nafty je nezbytné adekvátním způsobem upravit i dávkování jednotlivých aditiv. Cílem je nejen produkovat pouze materiál splňující danou specifikaci, ale zároveň nepřidávat nadbytek aditivačních přípravků. Nadbytek těchto přísad může způsobovat technologické potíže ve formě předávkování, při kterém je účinek již neefektivní, v některých případech dochází až k opačnému účinku aditiva. Rovněž je nutno dodat, že nadbytečné dávkování aditiv je nežádoucí také z ekonomického hlediska. Z obou důvodů je nezbytné disponovat vhodnou metodikou, umožňující co možná nejpřesnější dávkování aditiv, které lze monitorovat v reálném čase. Problematické je rovněž dávkování několika typů aditivačních přísad současně. Většina dosavadních metod je tímto značně ovlivněna.
- 1 CZ 310013 B6
Z výše uvedených důvodů nelze adekvátním způsobem stanovit koncentraci několika aditiv v motorové naftě současně, nedestruktivně a rychle. Jak již bylo uvedeno výše, smyslem není motorovou naftu přeaditivovat, ale kontrolovat správnou produkci prostřednictvím on-line monitoringu, který ušetří jak čas, tak finanční náklady.
Tuto problematiku by mohlo řešit využití pokročilých analytických metod, konkrétně blízká infračervená spektroskopie (NIR), prostřednictvím které je možné charakterizovat látky nedestruktivním způsobem a v on-line režimu. V rafinérském průmyslu je NIR spektroskopie známá již desítky let. Především se tato metoda používá pro stanovení fyzikálních a chemických vlastností a jednotlivých látek v motorové naftě a benzínu. Měření vlastností ropných produktů zaměřující se na oktanové číslo benzínu prostřednictvím NIR spektroskopie popisují autoři ve spisu US 5512751 A. Složení palivového oleje se zlepšenými vlastnostmi průtoku za studena je charakterizováno NIR spektroskopií ve spisu US 10047314 B2. Autoři spisu
WO 2016112004 A1 používají NIR spektroskopii pro charakterizaci ropy, především pro stanovení bodu varu. Stanovení aromátů v uhlovodících NIR spektroskopií bylo využito ve spisu US 5370790 A. Nevýhodou všech výše zmíněných patentů je, že se nezaměřují na stanovení koncentrace aditiv v motorové naftě.
Pro stanovení aditiv v palivech bylo popsáno několik řešení. Spisy US 4918020 A, US 5244809 A a US 5358873 A se týkají způsobu stanovení aditiv v automobilovém benzínu. Nevýhodou těchto řešení je, že nejsou použitelné pro stanovení koncentrace aditiv v motorové naftě nebo se nepoužívají ke stanovení metodou NIR spektroskopie.
V publikaci autorů Velvarská a kol. (Near-infrared spectroscopy to determine cold-flow improver concentrations in diesel fuel. Infrared Physics & Technology. 110:103445.) autoři představují stanovení koncentrace aditiva zlepšující nízkoteplotní vlastnosti nafty za použití NIR spektroskopie. Nevýhodou tohoto řešení je, že metodou lze stanovit koncentraci pouze jednoho aditiva v matrici motorové nafty, tedy predikční model není aplikovatelný na vícero typů aditiv.
Výše uvedené nevýhody alespoň z části odstraňuje způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu.
Podstata vynálezu
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu charakterizovaný tím, že se naměřená NIR spektra vzorků motorové nafty a aditiv použijí pro vývoj a optimalizaci NIR modelu za použití multivariační statistické analýzy, částečné regrese nejmenších čtverců (PLS algoritmu).
Výhodný způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu charakterizovaný tím, že aditiva v motorové naftě jsou analyzována pomocí blízké infračervené spektroskopie s imerzní sondou.
Další výhodný způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu charakterizovaný tím, že vybraná NIR spektrální oblast pro použití multivariační analýzy je 10 000 až 4500 cm-1.
Další výhodný způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu charakterizovaný tím, že jsou současně predikovány koncentrace aditiva upravující nízkoteplotní vlastnosti motorové nafty, aditivum zlepšující mazivostně-vodivostní vlastnosti motorové nafty a aditivum zvyšující cetanové číslo v motorové naftě.
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu vyznačující se tím, že se připraví směsi s motorovou naftou a aditivy v různém poměru
- 2 CZ 310013 B6 a koncentraci, následně se prostřednictvím NIR spektroskopie změří spektra vzorků, obsahující motorovou naftu a aditiva, a tyto spektra se použijí pro vývoj NIR modelu jako vstupní data pro multivariační statistickou analýzu, částečnou regresi nejmenších čtverců (PLS), získaná NIR spektra jsou korelována s referenčními hodnotami aditiv, která byla přidána do nafty, zvolená NIR spektrální oblast pro využití PLS výpočtů je 10 000 až 4500 cm1, následnými parametry RMSEC, RMSECV, externími validačními standardy a testem opakovatelnosti se poté zhodnotí kvalita vyvinutého modelu společně s korelačním koeficientem, jednotlivé parametry RMSEC a RMSECV jsou za použití softwaru vypočítány dle rovnice
RMSEn - počet vzorků ci - experimentální měření vzorku i, či - odpovídající hodnota získaná pro kalibraci RMSEC, RMSECV
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu zahrnuje tyto jednotlivé kroky:
a) Výběr tří druhů aditiv: aditivum upravující nízkoteplotní vlastnosti nafty, aditivum zlepšující mazivostně-vodivostní vlastnosti nafty a aditivum zvyšující cetanové číslo;
b) Volba koncentrací a vzájemných poměrů jednotlivých druhů aditiv přimíchávaných do motorové nafty a jejich dávkování;
c) Měření NIR spekter vzorků obsahující motorovou naftu a tři druhy aditiv současně, v NIR oblasti 10 000 až 4000 cm1;
d) Výběr NIR spektrální oblasti 10 000 až 4500 cm1 a její korelace s referenční hodnotou koncentrací aditiv pro multivariační statistickou analýzu;
e) Aplikace multivariační statistické analýzy, částečné regrese nejmenších čtverců (PLS) a následně použití diagnostických parametrů jako střední kvadratická chyba kalibrace (RMSEC), střední kvadratická chyba křížové validace (RMSECV) a počet faktorů metodou PRESS pro charakterizaci vyvinutého NIR modelu;
f) Použití první derivace spekter a následné korelování získaných hodnot NIR spektroskopií s koncentrací aditiv prostřednictvím metody PLS za vytvoření NIR modelu a následně;
g) Použití NIR modelu a validačních standardů pro ověření funkčnosti modelu;
h) NIR model aditiva upravující nízkoteplotní vlastnosti motorové nafty byl vypočítán na 5,4 (mg.kg1) s korelací 0,9793, aditiva zlepšující mazivostně-vodivostní vlastnosti byl vypočítán na 8,1 (mg.kg1) s korelací 0,9881, a aditiva zvyšující cetanové číslo byl vypočítán na 5,6 (mg.kg1) s korelací 0,9983.
Prostřednictvím výše uvedeného způsobu lze tento vynález uplatnit v rámci on-line monitoringu pro stanovení koncentrací aditiv v rafinerském provozu při míchání a produkci motorové nafty s dostatečnou přesností pro jednotlivé typy aditiv.
-3 CZ 310013 B6
V porovnání s dosavadními způsoby má způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu podle vynálezu výhodu v tom, že (i) lze stanovit koncentraci tří druhů aditiv v motorové naftě současně, (ii) umožňuje rychlou, nedestruktivní a nízkonákladovou analýzu aditiv (iii), umožňuje aplikaci NIR modelu na přenosný NIR spektrometr (iv), umožňuje použití vyvinutého NIR modelu v rámci online monitoringu.
Objasnění výkresů
Vynález je blíže objasněn za využití následujících výkresů, na kterých je znázorněn na:
obr. 1 NIR model pro aditivum upravující mazivostně-vodivostní vlastnosti v matrici motorové nafty;
obr. 2 NIR model pro aditivum upravující nízkoteplotní vlastnosti v matrici motorové nafty; a obr. 3 NIR model pro aditivum zvyšující cetanové číslo v matrici motorové nafty.
Příklady uskutečnění vynálezu
Příklad 1
Byl vytvořen NIR model pro mazivostně-vodivostní aditivum z 221 kalibračních a 10 externích validačních standardů. Použité vzorky byly tvořeny motorovou naftou, která obsahovala minimálně tři typy aditiv. Předpovědní NIR model byl vytvořen s použitím metody částečných nejmenších čtverců (PLS). NIR spektrum v rozmezí 10 000 až 4500 cm-1 bylo zvoleno jako optimální pro vytvoření modelu. Parametr RMSEC byl vypočítán na 8,1 (mg.kg-1) s korelací 0,9881 a parametr RMSECV 28,0 (mg.kg-1). Počet faktorů byl prostřednictvím parametru PRESS optimalizován na 15. Kvalita vyvinutého NIR modelu byla ověřena prostřednictvím externích validačních standardů a testem opakovatelnosti. Relativní směrodatná odchylka činila 8,1 % pro koncentraci aditiv v rozmezí 65 až 285 (mg.kg-1).
Příklad 2
Byl vytvořen NIR model pro aditivum upravující nízkoteplotní vlastnosti ze 170 kalibračních a 10 externích validačních standardů. Použité vzorky byly tvořeny motorovou naftou, která obsahovala minimálně tři typy aditiv. Předpovědní NIR model byl vytvořen s použitím metody nejmenších čtverců (PLS). Parametr RMSEC byl vypočítán na 5,4 (mg.kg-1) s korelací 0,9793 a parametr RMSECV 17,7 (mg.kg-1). Počet faktorů byl prostřednictvím parametru PRESS optimalizován na 10. Relativní směrodatná odchylka činila 7,8 % pro koncentraci aditiv v rozmezí 65 až 180 (mg.kg-1).
Příklad 3
Byl vytvořen NIR model pro aditivum zvyšující cetanové číslo ze 72 kalibračních a 10 externích validačních standardů. Použité vzorky byly tvořeny motorovou naftou, která obsahovala minimálně tři typy aditiv. Předpovědní model byl vytvořen s použitím metody částečných nejmenších čtverců. Parametr RMSEC byl vypočítán na 5,6 (mg.kg-1) s korelací 0,9983 a parametr RMSECV 48,6 (mg.kg-1). Počet faktorů byl prostřednictvím parametru PRESS optimalizován na 13. Relativní směrodatná odchylka činila 7,9 % pro koncentraci aditiv v rozmezí 65 až 450 (mg.kg-1).
- 4 CZ 310013 B6
Průmyslová využitelnost
Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu je 5 využitelný pro kontrolu správné produkce motorové nafty v rafinérském průmyslu. Tento vynález lze aplikovat v provozu, zejména pro on-line monitoring v průběhu aditivace motorové nafty, a tím kontrolovat kvalitu finálního produktu. Tímto krokem lze cíleně korigovat průtok aditiv při míchání středních destilátů a předejít produkci nevyhovující motorové nafty.
Claims (2)
1. Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu, vyznačující se tím, že se současně predikují koncentrace tří druhů aditiv, a to aditiva upravujícího nízkoteplotní vlastnosti motorové nafty; aditiva zlepšujícího mazivostně-vodivostní vlastnosti motorové nafty; a aditiva zvyšujícího cetanové číslo v motorové naftě; a dále tím, že se zvolí koncentrace a vzájemné poměry jednotlivých druhů aditiv přimíchávaných do motorové nafty a jejich dávkování, poté se provede měření NIR spekter vzorků obsahujících motorovou naftu a tři druhy aditiv současně v NIR oblasti 10 000 až 4000 cm-1; a následně tím, že se naměřená NIR spektra vzorků motorové nafty a aditiv použijí pro vývoj a optimalizaci NIR modelu, kde pro aplikaci multivariační analýzy se vybraná NIR spektra použijí v první derivaci a oblasti 10 000 až 4500 cm-1.
2. Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu podle nároku 1, vyznačující se tím, že získaná hodnota odchylky kalibrace parametru RMSEC pro NIR model je pro aditivum upravující nízkoteplotní vlastnosti motorové nafty 5,4 mg.kg-1 s korelací 0,9793; pro aditivum zlepšující mazivostně-vodivostní vlastnosti 8,1 mg.kg-1 s korelací 0,9881; a pro aditivum zvyšující cetanové číslo 5,6 mg.kg-1 s korelací 0,9983.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CZ2022-327A CZ310013B6 (cs) | 2022-08-02 | 2022-08-02 | Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CZ2022-327A CZ310013B6 (cs) | 2022-08-02 | 2022-08-02 | Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CZ2022327A3 CZ2022327A3 (cs) | 2024-02-14 |
| CZ310013B6 true CZ310013B6 (cs) | 2024-05-08 |
Family
ID=89843236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CZ2022-327A CZ310013B6 (cs) | 2022-08-02 | 2022-08-02 | Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu |
Country Status (1)
| Country | Link |
|---|---|
| CZ (1) | CZ310013B6 (cs) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5596196A (en) * | 1995-05-24 | 1997-01-21 | Ashland Inc. | Oxygenate analysis and control by Raman spectroscopy |
| US5681749A (en) * | 1992-03-27 | 1997-10-28 | Chevron U.S.A. Inc. | Controlling acid concentration in a hydrocarbon process |
| WO2006101653A2 (en) * | 2005-03-23 | 2006-09-28 | Marathon Petroleum Company Llc | Method and apparatus for analysis of relative levels of biodiesel in fuels by near-infrared spectroscopy |
| CN103398970A (zh) * | 2013-07-24 | 2013-11-20 | 骆驰 | 一种定性和定量分析食用油并进而检测地沟油的方法 |
-
2022
- 2022-08-02 CZ CZ2022-327A patent/CZ310013B6/cs unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5681749A (en) * | 1992-03-27 | 1997-10-28 | Chevron U.S.A. Inc. | Controlling acid concentration in a hydrocarbon process |
| US5596196A (en) * | 1995-05-24 | 1997-01-21 | Ashland Inc. | Oxygenate analysis and control by Raman spectroscopy |
| WO2006101653A2 (en) * | 2005-03-23 | 2006-09-28 | Marathon Petroleum Company Llc | Method and apparatus for analysis of relative levels of biodiesel in fuels by near-infrared spectroscopy |
| CN103398970A (zh) * | 2013-07-24 | 2013-11-20 | 骆驰 | 一种定性和定量分析食用油并进而检测地沟油的方法 |
Non-Patent Citations (1)
| Title |
|---|
| VELVARSKÁ ROMANA, VRÁBLÍK ALEŠ, HIDALGO-HERRADOR JOSÉ MIGUEL, ČERNÝ RADEK: "Near-infrared spectroscopy to determine cold flow improver concentrations in diesel fuel", INFRARED PHYSICS AND TECHNOLOGY, vol. 110, no. 103498, 28 July 2020 (2020-07-28), pages 1 až 7, XP086291735, ISSN: 1350-4495, DOI: 10.1016/j.infrared.2020.103445 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CZ2022327A3 (cs) | 2024-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12398334B2 (en) | Controlled blending of transmix fractions into defined hydrocarbon streams | |
| JP5467050B2 (ja) | 製造した石油製品の組成および特性変数の証明方法 | |
| Aleme et al. | Determination of flash point and cetane index in diesel using distillation curves and multivariate calibration | |
| AU655414B2 (en) | Process and apparatus for analysis of hydrocarbons by near-infrared spectroscopy | |
| US7404411B2 (en) | Method and apparatus for analysis of relative levels of biodiesel in fuels by near-infrared spectroscopy | |
| CA2580088C (en) | Method of assaying a hydrocarbon-containing feedstock | |
| US20030195708A1 (en) | Method for analyzing an unknown material as a blend of known materials calculated so as to match certain analytical data and predicting properties of the unknown based on the calculated blend | |
| US10557842B2 (en) | Method and system for analysing a blend of two or more hydrocarbon feed streams | |
| CN112782146A (zh) | 一种基于拉曼光谱的汽油烯烃含量分析方法 | |
| Aleme et al. | Determination of specific gravity and kinematic viscosity of diesel using distillation curves and multivariate calibration | |
| Barra et al. | Discrimination and quantification of moroccan gasoline adulteration with diesel using Fourier transform infrared spectroscopy and chemometric tools | |
| Hradecká et al. | Rapid determination of diesel fuel properties by near-infrared spectroscopy | |
| Leal et al. | Data driven models exploring the combination of NIR and 1H NMR spectroscopies in the determination of gasoline properties | |
| CN105319179A (zh) | 一种利用中红外光谱预测脱硫胺液中硫化氢含量的方法 | |
| EP3861320B1 (en) | Systems and methods for implicit chemical resolution of vacuum gas oils and fit quality determination | |
| de Souza et al. | PAT soft sensors for wide range prediction of key properties of diesel fuels and blending components for the oil industry | |
| CZ310013B6 (cs) | Způsob predikce koncentrace aditiv v matrici motorové nafty prostřednictvím NIR modelu | |
| CN101893560B (zh) | 一种汽油锰含量快速测定方法 | |
| Brown et al. | Optimised determinations of water in ethanol by encoded photometric near-infrared spectroscopy: A special case of sequential standard addition calibration | |
| Flumignan et al. | Carbon nuclear magnetic resonance spectroscopic profiles coupled to partial least-squares multivariate regression for prediction of several physicochemical parameters of Brazilian commercial gasoline | |
| Desai et al. | Review on reference & routine measurement techniques of milk fat based on process, cost and instrumentation | |
| Lancellotti et al. | Use of compound specific isotope analysis approach to monitor the aging process of Italian balsamic vinegars | |
| US11999916B2 (en) | Methods of blending off transmix into gasoline streams | |
| Gilbert et al. | Comparison of NIR and NMR spectra chemometrics for FCC feed online characterization | |
| Abd Rahim | Quantitative and qualitative assessment of petroleum products by spectroscopic and chemical data analytics/Abd Rahim Othman |