Determination of diesel properties by infrared spectroscopy and multivariate calibration

Abstract

En aquesta tesi doctoral es desenvolupen models de calibratge basats en espectroscòpia infraroja (IR) per predir onze propietats de qualitat del dièsel. Per al desenvolupament dels models s'han analitzat un conjunt de mostres comercials i desulfurades recopilades durant gairebé quatre anys. S'han considerat models de calibratge basats en xarxes neuronals artificials (ANN) i regressió de mínims quadrats parcials (PLS) per modelar les relacions entre l'espectre IR i les propietats. Per al model de xarxes, s'ha desenvolupat una nova estratègia per definir els límits del domini d'aplicabilitat. Els models PLS i ANN prediuen amb precisió la densitat, el número de cetà, el contingut de FAME i la viscositat. S'exploren tres adaptacions del model de calibratge PLS per predir la densitat de mostres comercials de dièsel quan aquest és utilitzat amb mostres analitzades en un instrument diferent de l'utilitzat per desenvolupar el model. Les adaptacions emprades van ser diPLS, DOP and MU.

En esta tesis doctoral se desarrollan modelos de calibración basados en espectroscopía infrarroja (IR) para predecir once propiedades de calidad del diésel. Para el desarrollo de los modelos se han analizado un conjunto de muestras comerciales y desulfuradas recopiladas durante casi cuatro años. Se han considerado modelos de calibración basados en redes neuronales artificiales (ANN) y regresión de mínimos cuadrados parciales (PLS) para modelar las relaciones entre el espectro IR y las propiedades. Para el modelo de redes, se ha desarrollado una nueva estrategia para definir los límites de su dominio de aplicabilidad. Los modelos PLS y ANN predicen con precisión la densidad, el número de cetano, el contenido de FAME y la viscosidad. Se exploran tres adaptaciones del modelo de calibración PLS para predecir la densidad de muestras comerciales de diesel cuando este es utilizado con muestras analizadas en un instrumento diferente del utilizado para desarrollar el modelo. Las adaptaciones empleadas fueron diPLS, DOP and MU.

In this doctoral thesis, multivariate calibration models based on infrared (IR) spectroscopy are developed to predict eleven quality properties of diesel. To develop the models, a set of commercial and desulfurized diesel samples collected over almost four years have been analyzed. Calibration models based on artificial neural networks (ANN) and partial least squares (PLS) regression have been considered to model the relationships between the IR spectrum and properties. For the ANN model, a new strategy has been developed to define the limits of its domain of applicability. PLS and ANN models accurately predict density, cetane number, FAME content and viscosity. Three adaptations of the PLS calibration model are explored to predict the density of commercial diesel samples when it is used with samples analyzed in an instrument different from the one used to develop the model. The adaptations used were diPLS, DOP and MU.