METODO PER PREDIRE LE PROPRIETÀ DEI GREGGI MEDIANTE
L’APPLICAZIONE DELLE RETI NEURALI
* ;La presenta invenzione riguarda il campo dello studio e dell’analisi dei materiali per determinarne le proprietà fisiche e chimiche ed in particolare un metodo per predire le proprietà chimico-fisiche degli oli greggi petroliferi mediante la misura di proprietà rilassometriche NMR (Risonanza Magnetica Nucleare) e analisi dei dati attraverso l’applicazione di modelli sviluppati con l’ impiego di reti neurali. ;Nel settore petrolifero à ̈ spesso necessario conoscere con una certa accuratezza alcuni parametri dei grezzi per comprenderne la qualità , e possono risultare utili per un migliore controllo dei processi. ;La possibilità di predire le proprietà di un greggio con tempistiche brevi rappresenta un utile strumento di analisi commerciale e operativa. ;Le metodologie note nell’arte sono principalmente costituite da tecniche analitiche di tipo reologico come ad esempio i metodi chimico-fisici per la misura della viscosità , l’utilizzo di gas cromatografico o termico per ottenere le curve di distillazione e l’analisi chimica elementare. ;Attualmente le tecniche analitiche standard impiegate, richiedono analisi lunghe e dispendiose che comportano un aggravio considerevole nella valutazione, soprattutto per le operazioni tecniche di trasformazione degli oli grezzi. Inoltre questi metodi sono attuabili solo in laboratori forniti di strumentazioni adeguate. ;L’impiego di metodi innovativi basati su analisi di breve durata e facilmente realizzabili anche in siti disagiati, potrebbe rappresentare una valida alternativa con un notevole vantaggio nella fase conoscitiva e poi operativa del ciclo di trasformazione petrolifera. ;Esistono nello stato dell’arte dei metodi basati sull’impiego della tecnica NMR, utilizzati per stimare le caratteristiche fisiche degli oli grezzi o residui pesanti. ;Ad esempio, il documento dal titolo “NMR properties of petroleum reservoir fluids†di G. J. Hirasaki, Sho-Wei Lo, Y. Zhang descrive la correlazione esistente tra la media dei tempi di rilassamento dei protoni degli idrocarburi e le proprietà dei greggi. ;Ulteriore metodo noto à ̈ descritto dal documento dal titolo “Characterization of petrochemical products by the application of a mobile NMR instrument†di G. Maddinelli, L. Del Gaudio, U. Cornaro, in cui il metodo NMR viene applicato per valutare una serie di parametri, in particolare la viscosità , su una serie di campioni provenienti da un trattamento di Hydrocracking. Il metodo ivi descritto correla la viscosità dinamica dei prodotti ad una delle misure di diffusione delle molecole idrocarburiche. ;Questi metodi consentono la valutazione di alcune proprietà fisiche come la viscosità dinamica o il grado API dei grezzi. ;Ulteriore metodo à ̈ descritto nel brevetto US 6,477,516 nel quale lo spettro NMR di un idrocarburo viene diviso in regioni, ognuna delle quali viene valutata quantificandone l’intensità del segnale; i valori così ottenuti sono applicati ad una rete neurale allenata a correlare le quantità estratte dallo spettro con i parametri dell’idrocarburo. ;Le tecniche tradizionali estraggono i valori medi dei tempi di rilassamento dei protoni dalle curve di rilassamento con metodologie note, come la Carr-Purcell-Meiboom-Gill (CPMG), che permette la misura del tempo di rilassamento trasversale o “spin-spin†(T2). Un’ulteriore metodologia nota à ̈ l’Inversion-Recovery che permette la misura del tempo di rilassamento longitudinale o “spinlattice (T1)†. ;Una volta ottenuti i valori medi dei tempi di rilassamento, questi vengono correlati ad alcune proprietà fisiche come ad esempio la viscosità dinamica o il grado API dei grezzi. ;La Richiedente ha sorprendentemente scoperto che, attraverso una trattazione più approfondita delle curve rilassometriche NMR, à ̈ possibile estrarre molti altri parametri. La Richiedente ha infatti scoperto che dalle curve di rilassamento NMR si possono ottenere stime molto attendibili anche su parametri chimico-fisici che compongono il greggio, come ad es. asfalteni, resine e RCC (Residuo Carbonioso Conradson), sugli elementi legati ai composti organici come lo zolfo o metalli, e sulla curva di distillazione dell’olio. ;I protoni di una molecola di grezzo hanno la proprietà di orientarsi in maniera differente a seconda del campo magnetico a cui sono sottoposti, in particolare in funzione dell’intorno molecolare in cui rientrano. L’intorno risulta caratteristico di ogni molecola e da questo dipendono le caratteristiche chimico fisiche della molecola stessa. ;La Richiedente ha scoperto che applicando un’analisi statistica mediante reti neurali alle curve di rilassamento NMR, senza procedimenti di fitting, à ̈ possibile ottenere molte più informazioni sulle caratteristiche del grezzo. ;Rappresenta un primo scopo della presente invenzione fornire un metodo per predire le proprietà dei greggi mediante l’applicazione delle reti neurali alle curve di rilassamento NMR, in cui dette curve non subiscono alcuna trasformazione preventiva. ;Rappresenta un ulteriore scopo della presente invenzione un metodo per predire le proprietà dei greggi mediante l’applicazione delle reti neurali che consenta di evitare complesse e laboriose analisi chimico-fisiche che richiederebbero l’impiego di numerose tecniche strumentali. ;Questi scopi, secondo la presente invenzione, vengono raggiunti realizzando un metodo per predire le proprietà dei greggi mediante l’applicazione delle reti neurali come esposto nella rivendicazione 1. ;Ulteriori caratteristiche dell’invenzione sono evidenziate dalle rivendicazioni dipendenti. ;Ai fini della presente invenzione, i termini greggio o grezzo comprendono indifferentemente il petrolio così come esso viene estratto dai giacimenti, o il residuo da introduzione (straight run fuel oil), o una miscela di greggi differenti. ;Costituisce oggetto della presente invenzione un metodo per predire le proprietà dei greggi mediante l’applicazione delle reti neurali caratterizzato dal fatto di comprendere le seguenti fasi: ;- determinare la curva NMR di rilassamento T2 di un greggio sconosciuto e convertirla in curva di rilassamento logaritmica; ;- selezionare i valori di detta curva di rilassamento logaritmica giacenti su una griglia di caratterizzazione avente distanza tra linee successive compresa tra 0,1 ms e 1 ms; ;- imputare detti valori selezionati come dati di ingresso per una rete neurale multistrato di tipo back propagation addestrata ed ottimizzata tramite algoritmi genetici; ;- predire tramite detta rete neurale addestrata e ottimizzata almeno uno dei seguenti fattori chimicofisici del greggio sconosciuto: ;- resa TBP (True Boiling Point); ;- grado API; ;- viscosità ; ;- tenore di zolfo; ;- acidità ; ;- contenuto di paraffine; ;- contenuto di nafteni; ;- contenuto di aromatici; ;- contenuto di nafteni 2 aromatici; ;- punto di fumo (smoke point); ;- punto di congelamento (freezing point); ;- punto di nebbia (cloud point); ;- punto di scorrimento (pour point); ;- indice di cetano; ;- contenuto di Nickel; ;- contenuto di Vanadio; ;- contenuto di asfalteni; ;- contenuto di residuo carbonioso (Conradson Carbon Residue, R.C.C.). ;In accordo ad una forma preferita della presente invenzione detta rete neurale multistrato di tipo back propagation prima di poter predire i fattori chimicofisici di un greggio sconosciuto necessita di un processo di addestramento e ottimizzazione comprendente le seguenti fasi: ;- determinare le curve NMR di rilassamento T2 di almeno 5 greggi campione; ;- convertire dette curve di rilassamento T2 in curve di rilassamento logaritmiche; ;- selezionare i valori di dette curve di rilassamento logaritmiche giacenti su una griglia di caratterizzazione avente distanza tra linee successive compresa tra 0,1 ms e 1 ms; ;- determinare tramite analisi di laboratorio almeno uno dei seguenti fattori chimico-fisici di detti greggi campione: ;- resa TBP (True Boiling Point); ;- grado API; ;- viscosità ; ;- tenore di zolfo; ;- acidità ; ;- contenuto di paraffine; ;- contenuto di nafteni; ;- contenuto di aromatici; ;- contenuto di nafteni 2 aromatici; ;- punto di fumo (smoke point); ;- punto di congelamento (freezing point); ;- punto di nebbia (cloud point); ;- punto di scorrimento (pour point); ;- indice di cetano; ;- contenuto di Nickel; ;- contenuto di Vanadio; ;- contenuto di asfalteni; ;- contenuto di residuo carbonioso (Conradson Carbon Residue, R.C.C.); ;- imputare detti valori selezionati di detti greggi campione come dati di ingresso per una rete neurale multistrato di tipo back propagation e detti fattori chimico-fisici di detti greggi campione come dati di uscita per detta rete neurale; ;- utilizzare detta rete neurale per correlare detti valori selezionati di detti greggi campione a detti fattori chimico-fisici di detti greggi campione; ;- ottimizzare detta rete neurale mediante algoritmi genetici per minimizzare l’errore assoluto tra le quantità predette tramite la rete neurale e le quantità determinate tramite analisi di laboratorio relative a detti fattori chimico-fisici di detti greggi campione. ;In una forma preferita della presente invenzione detta curva di rilassamento à ̈ convertita in curva di rilassamento logaritmica con base 10 (log10). ;I valori utilizzati come input per la rete neurale sono selezionati incrociando le curve di rilassamento logaritmiche con le linee, aventi distanza temporale costante, di una griglia di caratterizzazione. ;Una distanza troppo bassa tra le linee della griglia comporta un sovraccarico di input per la rete neurale con un conseguente rischio di “overlearning†, aumentando così il significato del caso particolare a discapito del valore predetto. ;Viceversa una distanza eccessiva tra le linee costituenti detta griglia di caratterizzazione, comporterebbe una perdita di informazioni, inficiando la validità predittiva del metodo. ;Al fine della presente invenzione sono stati selezionati dei valori di distanza tra le linee, ritenuti ottimali per la finalità predittiva del metodo. In particolare detta distanza tra le linee può essere compresa tra 0,1 ms e 1 ms, preferibilmente può essere pari a 0,25 ms. ;In accordo con una forma preferita della presente invenzione l’errore medio assoluto viene considerato minimizzato quando la differenza tra la media delle quantità predette tramite il presente metodo e la media della quantità determinate sperimentalmente, raggiunge un valore minimo e costante durante la fase di addestramento e ottimizzazione. ;In accordo con una forma preferita della presente invenzione il numero di campioni di grezzo da analizzare nel processo di addestramento e ottimizzazione può essere preferibilmente compreso tra 15 e 30. ;In una forma preferita detto metodo consente di predire i fattori chimico-fisici del greggio sconosciuto secondo lo schema definito in Tabella 1. ;Tabella 1 ;;DISTILLAT CHEROSE O RESIDUI ;GAS NAFTE GASOLIO ;NE SOTTOVU OLEOSI GREGGIO OTO ;;C1- C5- 80- ;TBP Range : 160-230 230-370 370-530 370+ 530+ ;;C4 80 160 ;;Resa TBP %peso X X X X X X X X Grado API a X ;60°F ;Viscosità cSt X ;a 20°C ;Viscosità VBN X X X X X a 50°C ;Zolfo %peso X X X X X X X X Acidità mgKO X X X X ;H/g ;Paraffine %vol X ;Nafteni %vol X ;Aromatici %vol X ;Nafteni X ;2 aromatici ;Punto di fumo Mm X ;Punto di °C X ;congelamento ;Punto di nebbia °C X ;Punto di °C X X X X X scorrimento ;Indice di Cetano X ;Nickel Ppm X X X X Vanadio Ppm X X X X Asfalteni in ;normal-eptano ;R.C.C. %peso X X X X ;;In accordo ad una forma particolare del presente ;metodo, detta rete neurale addestrata e ottimizzata ;consente di predire, in alternativa ai fattori chimico- ;fisici del greggio, la curva di distillazione del greggio ;sconosciuto. ;;In questa forma particolare del presente metodo, il processo di addestramento e ottimizzazione della rete neurale multistrato di tipo back propagation prevede le seguenti fasi: ;- determinare le curve NMR di rilassamento T2 di almeno 5 greggi campione noti; ;- convertire dette curve di rilassamento T2 in curve di rilassamento logaritmiche; ;- selezionare i valori di dette curve di rilassamento logaritmiche giacenti su una griglia di caratterizzazione avente distanza tra linee successive compresa tra 0,1 ms e 1 ms; ;- determinare tramite analisi di laboratorio le curve di distillazione di detti greggi campione; ;- imputare detti valori selezionati di detti greggi campione come dati di ingresso per una rete neurale multistrato di tipo back propagation e dette curve di distillazione di detti greggi campione come dati di uscita per detta rete neurale; ;- utilizzare detta rete neurale per correlare detti valori selezionati di detti greggi campione a dette curve di distillazione di detti greggi campione; ;- ottimizzare detta rete neurale mediante algoritmi genetici per minimizzare l’errore assoluto tra le quantità predette tramite la rete neurale e le quantità determinate tramite analisi di laboratorio relative a dette curve di distillazione di detti greggi campione. ;Secondo detta forma particolare del presente metodo à ̈ possibile predire la curva di distillazione del greggio nelle sue varie frazioni: gas, nafte, cheroseni, gasoli, distillati sottovuoto e residui oleosi. ;In particolare, durante il processo di addestramento e ottimizzazione, le curve di distillazione dei greggi campione possono essere ottenute mediante metodi standard noti all’esperto del settore. ;Il presente metodo permette di determinare la curva di distillazione del greggio nei suoi differenti tagli di distillazione, riportati in Tabella 2. ;Tabella 2 ;tagli di distillazione ;C1 NC4 ;100 °C 180 °C 270 °C 370 °C ;metano normal-butano ;C2 IC5 ;120 °C 210 °C 290 °C 400 °C ;etano Iso-pentano ;C3 NC5 ;140 °C 230 °C 320 °C 530 °C ;propano Normal-pentano ;IC4 ;80 °C 160 °C 250 °C 350 °C 550 °C ;Iso-butano ;;In accordo con la presente invenzione, il numero di valori individuati e selezionati incrociando le curve di rilassamento e le griglie di caratterizzazione descritte nella presente invenzione, risulta un numero finito mai superiore a 10.000. ;Con riferimento alla Tabella 2, la frazione o taglio di distillazione à ̈ identificabile secondo la natura del composto, ad esempio il C4 ossia butano, o la temperatura di distillazione, ad esempio 120 °C. ;Ulteriori caratteristiche e vantaggi del metodo per predire le proprietà dei greggi mediante l’applicazione delle reti neurali risulteranno più chiaramente con la descrizione che segue di una sua forma realizzativa, fatta a titolo esemplificativo e non limitativo, con riferimento ai disegni annessi, in cui: ;- La figura 1 illustra un diagramma a blocchi raffigurante le principali fasi del metodo secondo la presente invenzione; ;- La figura 2 illustra un diagramma a blocchi raffigurante le principali fasi del processo di addestramento e ottimizzazione della rete neurale secondo la presente invenzione; ;- La figura 3 illustra le curve di rilassamento T2 di alcuni campioni di greggio; ;- La figura 4 illustra la curva di rilassamento logaritmica con base 10 di alcuni campioni di greggio ed una griglia di caratterizzazione a righe verticali; ;- La figura 5 illustra un confronto grafico tra i valori relativi al contenuto di asfalteni in n-C7 predetti, e quelli ricavati con analisi di laboratorio, per alcuni greggi campione. ;Con riferimento alla figura 1 viene illustrato un metodo di predizione preferito, comprendente una prima fase di determinazione della curva NMR di rilassamento T2 (fase 101) tramite tecniche note nello stato dell’arte. ;Con ulteriore riferimento alla figura 4, detta curva NMR di rilassamento T2 viene successivamente convertita in curva di rilassamento logaritmica (401) e incrociata con una griglia di caratterizzazione (402). ;In figura 3 sono rappresentate alcune curve esemplificative di rilassamento NMR T2 (301), in cui ogni curva rappresenta il tempo richiesto alla magnetizzazione trasversale per decadere rispetto al valore iniziale. ;In funzione degli intervalli di tempo prescelti per definire l’ampiezza delle maglie della griglia di caratterizzazione (402), sono identificati i punti (403) della curva logaritmica (401) da selezionare (fase 102) per la successiva fase di alimentazione dati alla rete neurale (fase 103). ;Con particolare riferimento alla figura 4, il tempo à ̈ rappresentato sull’asse delle ascisse e i punti (403) della curva di rilassamento logaritmica (401) da selezionare, sono quelli che incrociano le linee verticali della griglia di caratterizzazione (402). ;Ognuno di questi punti selezionati rappresenta il segnale ottenibile dalla curva logaritmica T2 in corrispondenza di un preciso valore temporale. ;I valori temporali sono selezionati ad intervalli di tempo regolari e compresi tra 0,1 ms e 1 ms. ;I valori selezionati della curva di rilassamento logaritmica vengono successivamente utilizzati come input per una rete neurale multistrato di tipo back propagation (fase 103), per predire i fattori chimico-fisici, o in alternativa la curva di distillazione, di un greggio (fase 104). ;Detta rete neurale viene addestrata e ottimizzata, secondo il processo rappresentato dal diagramma in figura 2. ;In particolare, detta rete neurale prima di poter essere utilizzata per predire greggi sconosciuti necessita di un processo di addestramento e ottimizzazione effettuato con campioni di greggio noti. ;Con riferimento alla figura 2, sono determinate le curve NMR di rilassamento T2 di un certo numero di greggi campione, preferibilmente superiore a 5 (fase 201). ;In seguito, dette curve NMR di rilassamento T2 vengono convertite nelle equivalenti curve di rilassamento logaritmiche (fase 202). ;Di queste curve logaritmiche vengono selezionati (fase 203) i valori di segnale corrispondenti a precisi intervalli di tempo. Detti intervalli di tempo, rappresentati in figura 4 come linee verticali di una griglia di caratterizzazione, sono impostati a priori e compresi tra 0,1 ms e 1 ms. ;Gli stesssi greggi campione utilizzati per ottenere la curve NMR di rilassamento T2 sono sottoposti ad analisi di laboratorio, standard e note nell’arte, per individuare alcuni parametri chimico-fisici del greggio (fase 204’) o in alternativa per determinare la curva di distillazione del greggio (fase 204’’). ;A seconda del parametro ricercato, ossia fattori chimico-fisici o curva di distillazione, sono costruite differenti reti neurali. ;Nel primo caso (fase 204’), sono ricavati mediante analisi di laboratorio i valori dei seguenti fattori chimico-fisici per ogni campione di greggio analizzato: ;- resa TBP (True Boiling Point); ;- grado API; ;- viscosità ; ;- tenore di zolfo; ;- acidità ; ;- contenuto di paraffine; ;- contenuto di nafteni; ;- contenuto di aromatici; ;- contenuto di nafteni 2 aromatici; ;- punto di fumo (smoke point); ;- punto di congelamento (freezing point); ;- punto di nebbia (cloud point); ;- punto di scorrimento (pour point); ;- indice di cetano; ;- contenuto di Nickel; ;- contenuto di Vanadio; ;- contenuto di asfalteni; ;- contenuto di residuo carbonioso (Conradson Carbon Residue, R.C.C.). ;Questi fattori sono imputati come output per il calcolo neurale, mentre i valori selezionati delle curve di rilassamento logaritmiche vengono imputati come input (fase 205’). ;Successivamente detta rete neurale viene addestrata a correlare detti input a detti output (fase 206’) e ottimizzata mediante algoritmi genetici a minimizzare l’errore assoluto tra i valori predetti ed i valori ottenuti tramite analisi di laboratorio (fase 207’). ;Una volta che l’errore assoluto risulta minimizzato la rete neurale à ̈ pronta (fase 208’) per predire i fattori chimico-fisici di un greggio sconosciuto, come previsto dalla fase 104 del diagramma in figura 1. ;In alternativa detta rete neurale può essere costruita per correlare i valori selezionati delle curve di rilassamento logaritmiche alle curve di distillazione dei relativi campioni di greggio. ;In questo caso i valori selezionati delle curve di rilassamento vengono utilizzati come input e le curve di distillazione dei greggi campione come output della rete neurale (fase 205’’). ;Successivamente detta rete neurale viene addestrata a correlare detti input a detti output (fase 206’’) e ottimizzata mediante algoritmi genetici a minimizzare l’errore assoluto tra i valori predetti ed i valori ottenuti tramite analisi di laboratorio (fase 207’’). ;Una volta che l’errore assoluto risulta minimizzato la rete neurale à ̈ pronta (fase 208’’) per predire la curva di distillazione di un greggio sconosciuto, come previsto dalla fase 104 del diagramma in figura 1. ;Secondo la presente invenzione, il metodo così individuato consente di predire in tempi rapidi e senza onerose strutture di laboratorio i fattori chimico-fisici più rappresentativi del greggio o in alternativa la curva di distillazione del greggio con un grado di approssimazione ritenuto accettabile. ;ESEMPIO 1 ;Un campione di 16 grezzi di diversa provenienza à ̈ stato analizzato in laboratorio relativamente alle sue proprietà chimico-fisiche. Di ciascun grezzo à ̈ stata determinata la curva NMR di rilassamento T2. ;In particolare sono stati analizzati i grezzi riportati in Tabella 3, descritti in termini di origine, grado API e contenuto di zolfo. ;Tabella 3 ;;Zolfo ;Origine API ;[%peso] ;;IRAN 19.0 2.67 ;;IRAN 20.5 3.99 ;;EGITTO 24.8 2.53 ;;VENEZUELA 24.9 2.41 ;;LIBIA 26.0 1.82 ;;IRAQ 29.2 2.96 ;;NIGERIA 29.5 0.26 ;;IRAQ 29.8 2.87 ;;CONGO 31.8 0.10 ;;CONGO 32.2 0.11 ;;ARABIA SAUDITA 33.0 1.88 ;;KAZAKHSTAN 34.4 0.28 ;;LIBIA 36.8 0.41 ;;CONGO 40.2 0.04 ;;LIBIA 42.4 0.22 ;;KAZAKHSTAN 43.3 0.54 ;;Successivamente sono state analizzate alcune delle caratteristiche chimico-fisiche dei greggi campione. In Tabella 4 sono riportati i valori medi degli intervalli di variabilità delle caratteristiche chimico-fisiche prese in considerazione. ;Tabella 4 ;;Conradson Resa Viscosità Punto di Acidità Contenuto Contenuto Fattore di Asfalteni, Carbon Zolfo frazione Valori API a 20°C scorrimento, [mg di Ni, di V caratterizzazione in n-C7 Residue [%peso] 370+°C [cSt] [°C] KOH/g] [ppm] [ppm] UOP [%peso] CCR [%peso] [%peso] MIN 19.0 0.04 3.24 -33 0.07 1.8 0.6 11.4 0.11 0.85 26.6 MAX 43.3 3.99 918.35 21 1.18 63.6 116.8 12.3 8.61 12.83 67.7 Media 31.1 1.44 100.46 -1 0.31 18.7 50.2 11.9 2.46 5.13 48.6 Le curve di rilassamento T2 dei grezzi analizzati sono state convertite nelle corrispondenti curve di rilassamento logaritmiche (log10), come illustrato in figura 4. ;Con riferimento alla figura 4, sono stati selezionati i valori (403) giacenti su una griglia di caratterizzazione (dati di input per il calcolo neurale). ;La griglia di caratterizzazione à ̈ stata identificata in modo da ridurre i parametri di calcolo, senza per questo perdere le informazioni significative contenute nei dati stessi. ;Successivamente sono stati selezionati i valori della curva aventi come coordinate in ascissa i valori espressi nella Tabella 5. ;Tabella 5 ;asse X ;Log10 (T2)= ;;0,25 0,5 0,75 1 1,25 1,5 1,75 2 2,25 2,5 2,75 3 3,25 ;;I parametri selezionati sono stati dunque impiegati come dati di input per identificare una correlazione tra le curve di rilassamento NMR T2 e le proprietà dei grezzi ;e delle loro frazioni. ;;Per identificare la correlazione tra i fattori sono ;stati impiegati algoritmi non lineari, in particolare reti ;neurali multistrato di tipo Back Propagation, ottimizzate ;con algoritmi genetici. ;;In Tabella 6 sono indicate le caratteristiche ;chimico-fisiche (dati di output) dei grezzi e delle loro ;frazioni. ;;Tabella 6 ;Gas Nafte Cherosene Gasolio Distillato Residui oleosi sottovuoto ;Greggio ;;C1- 80- ;TBP Range : C5-80 160-230 230-370 370-530 370+ 530+ ;C4 160 ;;Grado API a 60°F X ;Viscosità cSt X ;a 20°C ;Viscosità VBN X X X X X a 50°C ;Zolfo %peso X X X X X X X X Acidità mgKOH X X X X ;/g ;Paraffine %vol X ;Nafteni %vol X ;Aromatici %vol X ;Nafteni X ;2 aromatici ;Punto di fumo Mm X ;Punto di °C X ;congelamento ;Punto di nebbia °C X ;Punto di °C X X X X X scorrimento ;Indice di Cetano X ;Nickel Ppm X X X X Vanadio Ppm X X X X Asfalteni in ;normal-eptano ;R.C.C. %peso X X X X ;;In Tabella 7 sono riportati alcuni fattori di ;correlazione per i parametri predetti, l’errore assoluto ;(minimo, massimo e medio) ottenuto dal confronto tra i valori sperimentali e i valori calcolati con la rete neurale. ;Tabella 7 ;;Errore Errore Errore ;scarto quadratico medio max min medio ;;API 0.9851 2.80 0.02 0.84 ;Zolfo ;[%peso] 0.9913 0.36 0.01 0.14 Viscosità a 20°C ;[cSt] 0.9829 44.82 1.35 11.60 ;TAN 0.9258 0.20 0.03 0.09 ;Contenuto di Ni ;[ppm] 0.9440 22.33 0.92 4.98 Contenuto di V ;[ppm] 0.9771 20.88 0.23 5.51 Asfalteni in n-C7 ;[%peso] 0.9789 1.38 0.01 0.40 ;CCR, 0.9734 1.62 0.01 0.60 ;taglio C5-80 ;[%peso] 0.9145 2.33 0.02 0.57 taglio 80-160 ;[%peso] 0.9199 3.70 0.19 1.13 taglio 160-230 ;[%peso] 0.9268 2.08 0.05 0.80 zolfo in taglio 160-230 ;[%peso] 0.9191 0.21 0.00 0.05 taglio 230-370 ;[%peso] 0.6509 9.79 0.01 2.24 zolfo in taglio 230-370 ;[%peso] 0.9809 0.35 0.02 0.13 taglio 370-530 ;[%peso] 0.8770 2.37 0.01 1.04 zolfo in taglio 370-530 ;[%peso] 0.9818 0.49 0.02 0.21 CCR in taglio 370-530 ;[%peso] 0.9269 0.15 0.02 0.07 taglio 530+ ;[%peso] 0.9214 11.29 0.09 3.00 ;;viscosità a 50°C in taglio 530+ ;;[VBN] 0.9461 2.39 0.10 0.87 ;zolfo in taglio 530+ ;[%peso] 0.9820 0.76 0.04 0.36 ;In figura 5 à ̈ raffigurato un grafico relativo alla predizione del contenuto di n-C7 asfalteni, che evidenzia una buona correlazione tra i valori predetti ed i valori calcolati. ;Graficamente sono rappresentati in figura 5 i valori (501) ottenuti tramite analisi di laboratorio (ascisse), relativi al contenuto di n-C7 asfalteni incrociati con i corrispondenti valori predetti tramite la rete neurale addestrata e ottimizzata. ;ESEMPIO 2 ;Lo stesso campione di 16 grezzi utilizzato per l’esempio 1 à ̈ stato caratterizzato relativamente alla curva di rilassamento NMR T2 e alla curva di distillazione atmosferica e sotto vuoto, secondo i metodi standard ASTM D2892 e ASTM D1160. ;In Tabella 8 sono indicate le temperature cui corrispondono i valori delle rese cumulative utilizzate nell’esempio. ;Tabella 8 ;tagli di distillazione ;C1 NC4 ;100 °C 180 °C 270 °C 370 °C metano normal-butano ;C2 IC5 ;120 °C 210 °C 290 °C 400 °C etano Iso-pentano ;C3 NC5 ;140 °C 230 °C 320 °C 530 °C propano Normal-pentano ;IC4 ;80 °C 160 °C 250 °C 350 °C 550 °C Iso-butano ;;I parametri di input per gli algoritmi neurali sono stati identificati come descritto nell’esempio 1 e sono stati analogamente impiegati per identificare una correlazione tra le curve di rilassamento NMR T2 e le ;curve di distillazione dei grezzi, ottenute mediante ;analisi di laboratorio standard e note nell’arte. ;;In Tabella 9 sono riportati i fattori di correlazione ;per i parametri predetti e l’errore assoluto (minimo, ;massimo e medio) tra i valori sperimentali e i valori ;calcolati con la rete neurale, da cui si evidenzia una ;buona corrispondenza, soprattutto per le frazioni pesanti. ;;Tabella 9 ;;Curva di distillazione del greggio ;;tagli Scarto quadratico medio<Errore assoluto>Errore assoluto Errore assoluto ;max Min medio ;C1 n.a. 0.00 0.00 0.00 ;C2 0.4399 0.05 0.00 0.01 ;C3 0.4247 0.14 0.02 0.07 ;IC4 0.7756 0.21 0.03 0.11 ;NC4 0.8924 0.62 0.01 0.22 ;;IC5 0.9368 0.81 0.01 0.27 ;NC5 0.9380 1.14 0.01 0.38 ;;80 °C 0.9479 1.50 0.03 0.59 ;;100 °C 0.9559 2.33 0.10 0.71 ;;120 °C 0.9628 2.69 0.06 0.82 ;;140 °C 0.9646 3.32 0.09 1.05 ;;160 °C 0.9561 4.28 0.09 1.38 ;;180 °C 0.9555 4.58 0.18 1.64 ;;210 °C 0.9587 4.68 0.32 1.90 ;;230 °C 0.9616 5.07 0.62 1.97 ;;250 °C 0.9660 5.41 0.47 1.94 ;;270 °C 0.9689 5.31 0.01 1.89 ;;290 °C 0.9658 5.37 0.29 2.09 ;;320 °C 0.9587 6.33 0.05 2.38 ;;350 °C 0.9526 6.42 0.46 2.66 ;;370 °C 0.9505 7.01 0.43 2.77 ;;400 °C 0.9508 7.47 0.27 2.76 ;;530 °C 0.9512 8.68 0.45 2.57 ;;550 °C 0.9461 7.50 0.78 2.53 *