• Refine Query
  • Source
  • Publication year
  • to
  • Language
  • 4
  • 1
  • Tagged with
  • 5
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • About
  • The Global ETD Search service is a free service for researchers to find electronic theses and dissertations. This service is provided by the Networked Digital Library of Theses and Dissertations.
    Our metadata is collected from universities around the world. If you manage a university/consortium/country archive and want to be added, details can be found on the NDLTD website.
1

Combustion Kinetic Studies of Gasolines and Surrogates

Javed, Tamour 11 1900 (has links)
Future thrusts for gasoline engine development can be broadly summarized into two categories: (i) efficiency improvements in conventional spark ignition engines, and (ii) development of advance compression ignition (ACI) concepts. Efficiency improvements in conventional spark ignition engines requires downsizing (and turbocharging) which may be achieved by using high octane gasolines, whereas, low octane gasolines fuels are anticipated for ACI concepts. The current work provides the essential combustion kinetic data, targeting both thrusts, that is needed to develop high fidelity gasoline surrogate mechanisms and surrogate complexity guidelines. Ignition delay times of a wide range of certified gasolines and surrogates are reported here. These measurements were performed in shock tubes and rapid compression machines over a wide range of experimental conditions (650 – 1250 K, 10 – 40 bar) relevant to internal combustion engines. Using the measured the data and chemical kinetic analyses, the surrogate complexity requirements for these gasolines in homogeneous environments are specified. For the discussions presented here, gasolines are classified into three categories: (i) Low octane gasolines including Saudi Aramco’s light naphtha fuel (anti-knock index, AKI = (RON + MON)/2 = 64; Sensitivity (S) = RON – MON = 1), certified FACE (Fuels for Advanced Combustion Engines) gasoline I and J (AKI ~ 70, S = 0.7 and 3 respectively), and their Primary Reference Fuels (PRF, mixtures of n-heptane and iso-octane) and multi-component surrogates. (ii) Mid octane gasolines including FACE A and C (AKI ~ 84, S ~ 0 and 1 respectively) and their PRF surrogates. Laser absorption measurements of intermediate and product species formed during gasoline/surrogate oxidation are also reported. (iii) A wide range of n-heptane/iso-octane/toluene (TPRF) blends to adequately represent the octane and sensitivity requirements of high octane gasolines including FACE gasoline F and G (AKI ~ 91, S = 5.6 and 11 respectively) and certified Haltermann (AKI ~ 87, S = 7.6) and Coryton (AKI ~ 92, S = 10.9) gasolines. To assess conditions where shock tubes may not be ideal devices for ignition delay measurements, this work also presents a detailed discussion on shock tube pre-ignition affected ignition data and the ignition regimes in homogeneous environments. The shock tube studies on pre-ignition and associated bulk ignition advance may help engines research community understand and control super-knock events.
2

Predição de propriedades de gasolinas a partir das suas composições

Buarque, Hugo Leonardo de Brito January 2006 (has links)
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.
3

Caracterização da qualidade e interpretação das propriedades físico-químicas de gasolinas C brasileiras através de cromatografia gasosa e métodos quimiométricos

Flumignan, Danilo Luiz [UNESP] 20 January 2006 (has links) (PDF)
Made available in DSpace on 2014-06-11T19:29:11Z (GMT). No. of bitstreams: 0 Previous issue date: 2006-01-20Bitstream added on 2014-06-13T19:38:12Z : No. of bitstreams: 1 flumignan_dl_me_araiq.pdf: 1694929 bytes, checksum: 906a4ce8749bd03809d2e3037a347052 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Em face as constantes adulterações de gasolinas divulgadas pela mídia nacional e devido às especificações para comercialização e as características de qualidade do produto ser diferente em cada região do mundo (Brasil, alto teor de AEAC 25%), surge a necessidade de pesquisas objetivando propor metodologias específicas para o controle de qualidade. No presente trabalho foi desenvolvido e otimizado um método cromatográfico para análise (CG EM e CG DIC) de gasolina com alto teor de etanol utilizando-se planejamento fatorial e análise por superfície de resposta. O método desenvolvido foi associado a ferramentas quimiométricas (PCA, SIMCA e PLS) e utilizado para comparar os perfis cromatográficos com a finalidade de caracterizar a qualidade (conforme e não-conforme) e interpretar as propriedades físico-químicas em amostras de gasolinas comerciais de acordo com a Portaria ANP n°. 309. Foram analisadas 400 amostras de gasolina/mês de acordo com as normas vigentes, durante o período de abril a setembro de 2004, coletando-se dados de 16 parâmetros físico-químicos (cor, densidade, T10%, T50%, T90%, PFE, Resíduo, MON, RON, IAD, benzeno, aromáticos, saturados, olefinas, % de AEAC, % de AEAC por IV) e selecionados através de HCA, lotes mensais com 25 gasolinas representativas. A partir destes lotes (150 amostras) foi possível através de métodos cromatográficos selecionar uma amostra que apresentou maior complexidade, ou seja, maior número de picos cromatográficos. Através de planejamento fatorial e método de superfície de respostas aliados a cálculos de resoluções globais e parciais tornou-se possível estabelecer condições ótimas para análise cromatográfica, efetuando-se 27 experimentos. / In face of the news about constant adulterations of gasolines spread by the national press and due to the specifications for retailing and the quality characteristics of the product to be different in each region of the world (Brazil, high content of AEAC C 25 %), it appears to be necessary investigations aiming the proposal of some methodologies specific to the quality control of brazilian C gasolines. In this work it was developed a chromatographic methodology of analysis (GC C MS and GC C DIC) of gasoline with high content of ethanol by the utilization of factorial design and surface response analysis. The developed methodology was associated the chemometrics tools (PCA, SIMCA and PLS) and used to compare the chromatographic profiles to characterize the quality (in accordance or not in accordance) and interpret the physico-chemical properties of retailed gasoline samples in agreement with the official standards (Portaria number 309 C ANP). 400 gasoline samples were collected per month in retailing stations and assayed through official standards, from April to September 2004, when data of 16 physicochemical parameters were collected (color, density, T10 %, T50 %, T90 %, FBP, Residue, MON, RON, IAD, benzene, aromatics, aliphatics, olefines, % of AEAC, % of AEAC by IR). Next they were selected through HCA, six monthly sets with 25 representative gasolines. From the six monthly sets (150 samples) it was possible, through chromatographic methods (GC C MS) to select a sample that presented highest complexity, in other words, larger number of chromatographic peaks. Through factorial design and surface response analysis associated to calculations of global and partial resolutions it was possible with only 27 experiments to achieve the best conditions for chromatographic analysis.
4

Caracterização da qualidade e interpretação das propriedades físico-químicas de gasolinas C brasileiras através de cromatografia gasosa e métodos quimiométricos /

Flumignan, Danilo Luiz. January 2006 (has links)
Orientador: José Eduardo de Oliveira / Banca: Luciana Polese / Banca: Márcia Miguel Castro Ferreira / Resumo: Em face as constantes adulterações de gasolinas divulgadas pela mídia nacional e devido às especificações para comercialização e as características de qualidade do produto ser diferente em cada região do mundo (Brasil, alto teor de AEAC 25%), surge a necessidade de pesquisas objetivando propor metodologias específicas para o controle de qualidade. No presente trabalho foi desenvolvido e otimizado um método cromatográfico para análise (CG EM e CG DIC) de gasolina com alto teor de etanol utilizando-se planejamento fatorial e análise por superfície de resposta. O método desenvolvido foi associado a ferramentas quimiométricas (PCA, SIMCA e PLS) e utilizado para comparar os perfis cromatográficos com a finalidade de caracterizar a qualidade (conforme e não-conforme) e interpretar as propriedades físico-químicas em amostras de gasolinas comerciais de acordo com a Portaria ANP n°. 309. Foram analisadas 400 amostras de gasolina/mês de acordo com as normas vigentes, durante o período de abril a setembro de 2004, coletando-se dados de 16 parâmetros físico-químicos (cor, densidade, T10%, T50%, T90%, PFE, Resíduo, MON, RON, IAD, benzeno, aromáticos, saturados, olefinas, % de AEAC, % de AEAC por IV) e selecionados através de HCA, lotes mensais com 25 gasolinas representativas. A partir destes lotes (150 amostras) foi possível através de métodos cromatográficos selecionar uma amostra que apresentou maior complexidade, ou seja, maior número de picos cromatográficos. Através de planejamento fatorial e método de superfície de respostas aliados a cálculos de resoluções globais e parciais tornou-se possível estabelecer condições ótimas para análise cromatográfica, efetuando-se 27 experimentos. / Abstract: In face of the news about constant adulterations of gasolines spread by the national press and due to the specifications for retailing and the quality characteristics of the product to be different in each region of the world (Brazil, high content of AEAC C 25 %), it appears to be necessary investigations aiming the proposal of some methodologies specific to the quality control of brazilian C gasolines. In this work it was developed a chromatographic methodology of analysis (GC C MS and GC C DIC) of gasoline with high content of ethanol by the utilization of factorial design and surface response analysis. The developed methodology was associated the chemometrics tools (PCA, SIMCA and PLS) and used to compare the chromatographic profiles to characterize the quality (in accordance or not in accordance) and interpret the physico-chemical properties of retailed gasoline samples in agreement with the official standards (Portaria number 309 C ANP). 400 gasoline samples were collected per month in retailing stations and assayed through official standards, from April to September 2004, when data of 16 physicochemical parameters were collected (color, density, T10 %, T50 %, T90 %, FBP, Residue, MON, RON, IAD, benzene, aromatics, aliphatics, olefines, % of AEAC, % of AEAC by IR). Next they were selected through HCA, six monthly sets with 25 representative gasolines. From the six monthly sets (150 samples) it was possible, through chromatographic methods (GC C MS) to select a sample that presented highest complexity, in other words, larger number of chromatographic peaks. Through factorial design and surface response analysis associated to calculations of global and partial resolutions it was possible with only 27 experiments to achieve the best conditions for chromatographic analysis. / Mestre
5

Prediction of gasoline properties from composition data / PrediÃÃo de propriedades de gasolinas a partir das suas composiÃÃes.

Hugo Leonardo de Brito Buarque 10 April 2006 (has links)
AgÃncia Nacional do PetrÃleo / Commercial gasolines are normally produced by blending hydrocarbon fractions obtained from the distillation of crude oil or from other 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 and 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 their 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 used in the last decades to predict properties of pure organic compounds and some mixture 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 advantage of a neural network is its capacity to extract general and unknown information for certain series of data (training), supplying useful and fast models for prediction. However, the use of neural networks trained to predict properties of fuels produced from one given combination of petroleum fractions can not be suitable in the prediction of the characteristics of other gasolines produced from other origins due to the complexity and variability of gasoline composition. In this study, methods of multiple linear regression and artificial neural networks have been evaluated 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 contribution. The developed model is evaluated and compared to other methods, revealing to be sufficiently promising for prediction of properties of pure components and complex mixtures. / As gasolinas comerciais sÃo normalmente produzidas a partir de combinaÃÃes de fraÃÃes oriundas da destilaÃÃo do petrÃleo ou de outros processos petroquÃmicos e de refino e realizadas de modo a atender uma variedade de especificaÃÃes legais e ambientais, com o mÃnimo de custo possÃvel. A qualidade para o uso e comercializaÃÃo de uma gasolina à avaliada atravÃs de certas caracterÃsticas especificadas por leis e normas governamentais. Estas caracterÃsticas sÃo normalmente determinadas por diferentes metodologias e tÃcnicas experimentais, haja vista que dependem dos seus constituintes e suas respectivas concentraÃÃes com uma complexidade bastante elevada, tornando a formulaÃÃo da gasolina originada em refinarias e petroquÃmicas, um procedimento muitas vezes bastante laborioso. O intuito de se predizer propriedades de derivados de petrÃleo a partir de dados de composiÃÃo à antigo e vem crescendo em importÃncia nos Ãltimos anos. MÃtodos de contribuiÃÃo de grupos tÃm sido utilizados ao longo das Ãltimas dÃcadas para predizer propriedades de compostos orgÃnicos puros e alguns parÃmetros de misturas (e.g., UNIFAC). Entretanto, a maior parte dos estudos mais recentes utiliza redes neurais artificiais como tÃcnica para prediÃÃo de propriedades de combustÃveis usando a composiÃÃo de grupos de compostos ou mesmo de compostos-chave como informaÃÃo de entrada. A principal vantagem de uma rede neural à sua capacidade de extrair informaÃÃes gerais e desconhecidas para certa sÃrie de dados (treinamento), fornecendo modelos de prediÃÃo Ãteis e rÃpidos tanto para sistemas lineares como nÃo-lineares. PorÃm, dada a complexidade e variabilidade dos constituintes das gasolinas, a utilizaÃÃo de redes neurais treinadas para modelar as propriedades destes combustÃveis produzidos a partir de uma dada combinaÃÃo de fraÃÃes petrolÃferas pode nÃo se adequar na prediÃÃo das caracterÃsticas de gasolinas obtidas a partir de uma outra origem. Neste estudo, mÃtodos de regressÃo linear mÃltipla e redes neurais artificiais foram avaliados na correlaÃÃo e prediÃÃo de propriedades de gasolinas a partir de informaÃÃes de composiÃÃo obtidas por cromatografia gasosa, como tambÃm foi desenvolvida uma metodologia de prediÃÃo de propriedades utilizando um mÃtodo hÃbrido de redes neurais e contribuiÃÃo de grupos. O modelo desenvolvido à avaliado e comparado aos demais, mostrando-se bastante promissor para prediÃÃo de propriedades de componentes puros e misturas mais complexas.

Page generated in 0.0327 seconds