BUARQUE, Hugo Leonardo de Brito. Predição de propriedades de gasolinas a partir das suas composições. 2006. 206f. Tese (Doutorado em Física) - Curso de Pós-Graduação em Física, Universidade Federal do Ceará, Fortaleza, 2006. / Submitted by francisco lima (admir@ufc.br) on 2013-04-12T13:50:23Z No. of bitstreams: 1 2006_tese_hldbbuarque.pdf: 89844 bytes, checksum: 09dd0a3616e88ec1e47ab52519f63da5 (MD5) / Approved for entry into archive by Edvander Pires(edvanderpires@gmail.com) on 2014-02-25T20:59:40Z (GMT) No. of bitstreams: 1 2006_tese_hldbbuarque.pdf: 89844 bytes, checksum: 09dd0a3616e88ec1e47ab52519f63da5 (MD5) / Made available in DSpace on 2014-02-25T20:59:40Z (GMT). No. of bitstreams: 1 2006_tese_hldbbuarque.pdf: 89844 bytes, checksum: 09dd0a3616e88ec1e47ab52519f63da5 (MD5) Previous issue date: 2006 / Commercial gasolines are normally produced by blendin g hydrocarbon fractions obtained from the distillation of crude oil or from o ther petrochemical or refining processes, and carried through in order to comply with a variety of legal and ambient specifications at minimum cost. The quality for the use a nd commercialization of gasolines is evaluated through certain characteristics specified by governmental regulation. Such characteristics are usually determined by different methodologies and experimental techniques, since those depend on the ir constituents and their respective concentrations with a high complexity. Thus, blending of gasolines in petrochemical and refining industries is sometimes a very laborious procedure. The prediction of fuel properties from composition data is growing in importance in the last few years. Methods of group contribution have been usedin the last decades to predict properties of pure organic compounds and some mix ture parameters (e.g.,UNIFAC). However, most of the recent studies use artificial neural networks as a technique for prediction for fuel properties using the composition of classes of constituents or key-compounds as input data. The main a dvantage of a neural network is its capacity to extract general and unknown in formation for certain series of data (training), supplying useful and fast models for prediction. However, the use of neural networks trained to predict properties of fue ls produced from one given combination of petroleum fractions can not be suitable in the prediction of the characteristics of other gasolines produced from other orig ins due to the complexity and variability of gasoline composition. In this study, methods of multiple linear regression and artificial neural networks have been eval uated in the correlation and prediction of gasoline properties from information of composition obtained by gas chromatography, as well as a methodology for prediction of properties using a hybrid method composed of neural networks and group contribut ion. The developed model is evaluated and compared to other methods, revealing to be sufficiently promising for prediction of properties of pure components and com plex mixtures. / As gasolinas comerciais são normalmente produzidas a partir de combinações de frações oriundas da destilação do petróleo ou de outros processos petroquímicos e de refino e realizadas de modo a atender uma variedade de especificações legais e ambientais, com o mínimo de custo possível. A qualidade para o uso e comercialização de uma gasolina é avaliada através de cer tas características especificadas por leis e normas governamentais. Estas caracter ísticas são normalmente determinadas por diferentes metodologias e técnicas experimentais, haja vista que dependem dos seus constituintes e suas respecti vas concentrações com uma complexidade bastante elevada, tornando a formulação da gasolina originada em refinarias e petroquímicas, um procedime nto muitas vezes bastante laborioso. O intuito de se predizer propriedades de derivados de petróleo a partir de dados de composição é antigo e vem crescendo em importância nos últimos anos. Métodos de contribuição de grupos têm sido utilizados ao longo das últimas décadas para predizer propriedades de compostos orgânicos puros e alguns parâmetros de misturas (e.g., UNIFAC). Entretanto, a maior parte dos estudos mais recentes utiliza redes neurais artificiais como técnica para predição de propriedades de combustíveis usando a composição de grupos de compostos ou mesmo de compo stos-chave como informação de entrada. A principal vantagem de um a rede neural é sua capacidade de extrair informações gerais e desconhecidas pa ra certa série de dados (treinamento), fornecendo modelos de predição úteis e rápidos tanto para sistemas lineares como não-lineares. Porém, dada a complexidade e variabilidade dos constituintes das gasolinas, a utilização de redes neurais t reinadas para modelar as propriedades destes combustíveis produzidos a partir de uma dada combinação de frações petrolíferas pode não se adequar na predição da s características de gasolinas obtidas a partir de uma outra origem. Neste estudo, métodos de regressão linear múltipla e redes neurais artificiais foram avali ados na correlação e predição de propriedades de gasolinas a partir de informações de com posição obtidas por cromatografia gasosa, como também foi desenvolvida uma metodologia de predição de propriedades utilizando um método híbrido de redes neurais e contribuição de grupos. O modelo desenvolvido é avaliado e comparado aos demais, mostrando-se bastante promissor para predição de propriedades de componentes puros e misturas mais complexas.