Contenido de azufre y RVP de las gasolinas producidas en la GRB: Predicción con espectroscopia NIR y redes neuronales artificiales

Zárate Gualdrón, Julián Alberto

Contenido de azufre y RVP de las gasolinas producidas en la GRB: Predicción con espectroscopia NIR y redes neuronales artificiales

dc.contributor.advisor	Morales Medina, Giovanni
dc.contributor.author	Zárate Gualdrón, Julián Alberto
dc.date.accessioned	2023-04-06T20:24:50Z
dc.date.available	2023
dc.date.available	2023-04-06T20:24:50Z
dc.date.created	2019
dc.date.embargoEnd	2024-12-31
dc.date.issued	2019
dc.description.abstract	La Gerencia Refinería Barrancabermeja, GRB, genera gasolinas con los parámetros de calidad según la Resolución 1180 de 21 de junio de 2006. La preparación de gasolinas requiere la validación por laboratorio de los parámetros de calidad; sin embargo, los tiempos de medición pueden demorar ca. 6 horas. Una alternativa ante los tiempos de validación corresponde a la aplicación de modelos de redes neuronales artificiales, RNA, desarrollados con base en espectros NIR. En el presente trabajo diferentes arquitecturas RNA fueron entrenadas y validadas con espectros NIR para para el ajuste del contenido de azufre y la presión de vapor Reid, RVP, de gasolinas de la GRB. Según los resultados, los rangos de mayor contribución en la señal están entre 4000 – 4800 cm-1 y 5400 – 6200 cm-1 . Asimismo, según el análisis PCA, el valor de la segunda derivada en los números de onda entre 4309–4316 cm-1 y 4326–4338 cm-1 define las tendencias en los espectros de las gasolinas nacionales. También, los mejores desempeños en términos de RMSE y R2 fueron exhibidos por las redes 30:12:1–TanH y 6:12:1–TanH para el ajuste del contenido de Azufre y el RVP, respectivamente. La red 30:12:1–TanH utilizó las 30 primeras áreas de mayor valor, mientras que la red 6:12:1–TanH requirió de los 6 primeros componentes principales. El RMSE de la red 30:12:1–TanH de ajuste del contenido de Azufre se encontró entre la repetibilidad y la reproducibilidad promedios (ASTM D4294–16). Respecto al RVP, el RMSE fue menor que la repetibilidad y la reproducibilidad promedios. La comparación de los mejores desempeños obtenidos en el presente trabajo con los reportados en la literatura abierta soporta la capacidad de predicción cuantitativa de las redes neuronales artificiales 30:12:1–TanH y 6:12:1–TanH.
dc.description.abstractenglish	Gerencia Refinería Barrancabermeja”, GRB, produces gasolines according to Colombian regulation “Resolución 1180 de 21 de junio de 2006”. Gasoline preparation by blending requires validation of properties in the lab; however, measurement protocols can last for ca. 6 hours before calculating property values. As an alternative, artificial neural network models (ANN) based on NIR spectra can predict properties, reducing the number of lab validation tests. Herein, different ANN arquitectures were trained and validated by the use of NIR spectra for adjusting sulphur content and reid vapor pressure, RVP, of GRB gasolines. According to the results, the major contribution ranges for the spectroscopical signal were found to be 4000 – 4800 cm-1 and 5400 – 6200 cm-1 . Likewise, from PCA it follows that second derivatives in the regions of vawenumbers 4309–4316 cm-1 and 4326– 4338 cm-1 define tendencies for Colombian gasolines. Also, the best performances according to RMSE and R2 are exhibited by 30:12:1–TanH and 6:12:1–TanH nets for adjusting sulphur content and RVP, respectively. The 30:12:1– TanH net reads the 30 major values of areas, whereas the 6:12:1–TanH requires the first six principal components. The RMSE of the 30:12:1–TanH net is between repeatability and reproducibility for the sulphur content (ASTM D4294–16). With respect to RVP, the RMSE of the 6:12:1–TanH is less than repeatability and reproducibility for the corresponding norm. Comparison of the best performances of RNA trained in the current document with those reported in the open literature supports the application of the 30:12:1–TanH and 6:12:1–TanH nets in the prediction of sulphur content and RVP, respectively
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster en Ingeniería Química
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/14036
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingenierías Fisicoquímicas
dc.publisher.program	Maestría en Ingeniería Química
dc.publisher.school	Escuela de Ingeniería Química
dc.rights	info:eu-repo/semantics/embargoedAccess
dc.rights.accessrights	info:eu-repo/semantics/embargoedAccess
dc.rights.coar	http://purl.org/coar/access_right/c_f1cf/
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Contenido de azufre
dc.subject	RVP
dc.subject	NIR
dc.subject	Redes Neuronales Artificiales
dc.subject	Modelo Circunstancial
dc.subject	PCA
dc.subject.keyword	Sulphur Content
dc.subject.keyword	RVP
dc.subject.keyword	Nir
dc.subject.keyword	Artificial Neural Network
dc.subject.keyword	Circunstancial Model
dc.subject.keyword	PCA
dc.title	Contenido de azufre y RVP de las gasolinas producidas en la GRB: Predicción con espectroscopia NIR y redes neuronales artificiales
dc.title.english	Sulphur Content and RVP for Gasolines produced by GRB Refinery: Prediction using NIR Spectra and Artificial Neural Networks
dc.type.coar	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversion	http://purl.org/coar/resource_type/c_bdcc
dc.type.local	Tesis/Trabajo de grado - Monografía - Maestría
dspace.entity.type