Vorhersage der physikalischen Eigenschaften von oxygenierten Benzin- und Diesel-Kraftstoffen mittels maschinellen Lernens

Das Verständnis der physikalischen Eigenschaften von Destillatpetroleum-Kraftstoffen wie Benzin und Diesel ist entscheidend für den normalen Betrieb von Verbrennungsmotoren (IC) im Hinblick auf Prozesse wie Sprühzerstäubung, Erwärmung, Verdampfung usw. Zwei der wichtigsten physikalischen Eigenschaften sind Dichte und Viskosität. Viele Faktoren wie molekulare Struktur, Molekulargewicht, Temperatur usw. beeinflussen die physikalischen Eigenschaften des Kraftstoffs. Die vorliegende Arbeit befasst sich mit der Entwicklung eines Modells des maschinellen Lernens zur Vorhersage der Dichte und Viskosität von Petroleum-Kraftstoffen, die oxygenierte chemische Klassen wie Alkohole, Ester, Ketone und Aldehyde enthalten. Das Modell wurde unter Verwendung der molekularen Struktur der Verbindungen, die in Form von funktionellen Gruppen ausgedrückt wurden, als Eingaben entwickelt. Die Dichte und Viskosität von 164 reinen Verbindungen aus verschiedenen chemischen Familien sowie 14 Mischungen bekannter Zusammensetzungen wurden aus der Literatur gesammelt. Ein künstliches neuronales Netzwerkmodell (ANN) zur Vorhersage von Dichte und Viskosität wurde mit dem neuronalen Netzwerk-Tool in Matlab entwickelt. Jedes der ANN-Modelle wurde an 15 % der Daten getestet, und die Ergebnisse zeigen, dass die Modelle in der Lage waren, die Dichte und Viskosität der unbekannten Datenpunkte mit guter Genauigkeit erfolgreich vorherzusagen. Ein Regressionskoeffizient von 0,99 (für Dichte) und 0,98 (für Viskosität) wurde für den Testdatensatz erzielt. Die entwickelten Modelle können verwendet werden, um die Dichte und Viskosität von echten Petroleum-Kraftstoffen, die einen Rückgang bei oxygenierten Biokraftstoffen enthalten, vorherzusagen und zu screenen.