Return to search

Predição de propriedades de gasolinas a partir das suas composições

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.

Identiferoai:union.ndltd.org:IBICT/oai:www.repositorio.ufc.br:riufc/7499
Date January 2006
CreatorsBuarque, Hugo Leonardo de Brito
ContributorsCavalcante Júnior, Célio Loureiro, Costa Filho, Raimundo Nogueira da
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Sourcereponame:Repositório Institucional da UFC, instname:Universidade Federal do Ceará, instacron:UFC
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0027 seconds