Octane number prediction for gasoline blends

Pasadakis, Nikos; Gaganis, Vassilis; Foteinopoulos, Charalambos

doi:10.1016/j.fuproc.2005.11.006

Cited by 99 publications

(43 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Similar conclusions have been made by Pasadakis et al [189,190] while predicting pour point (CP), cloud point (CP) of diesel and octane number of gasoline based on the chemical composition of the respective fuels. Several other studies which were also successful in utilising ANN to estimate the properties of various fuels, which are summarised in Table 8.…”

Section: Ann In Predicting Fuel Propertiessupporting

confidence: 80%

“…Liu et al [188] Density, flash point, freezing point, aniline point and net heat of combustion prediction for various jet fuels based on their chemical composition Korres et al [192] Lubricity prediction from physical properties of diesel Marinovic et al [193] Prediction of diesel cold temperature properties based on density, kinetic viscosity, conductivity, sulphur content and 90% distillation point Pasadakis et al [189] Octane number prediction from chemical composition of gasoline…”

Section: Use Of Ann Modelmentioning

confidence: 99%

See 1 more Smart Citation

The Use of Artificial Neural Networks for Identifying Sustainable Biodiesel Feedstocks

et al. 2013

View full text Add to dashboard Cite

Abstract:Over the past few decades, biodiesel produced from oilseed crops and animal fat is receiving much attention as a renewable and sustainable alternative for automobile engine fuels, and particularly petroleum diesel. However, current biodiesel production is heavily dependent on edible oil feedstocks which are unlikely to be sustainable in the longer term due to the rising food prices and the concerns about automobile engine durability. Therefore, there is an urgent need for researchers to identify and develop sustainable biodiesel feedstocks which overcome the disadvantages of current ones. On the other hand, artificial neural network (ANN) modeling has been successfully used in recent years to gain new knowledge in various disciplines. The main goal of this article is to review recent literatures and assess the state of the art on the use of ANN as a modeling tool for future generation biodiesel feedstocks. Biodiesel feedstocks, production processes, chemical compositions, standards, physio-chemical properties and in-use performance are discussed. Limitations of current biodiesel feedstocks over future generation biodiesel feedstock have been identified. The application of ANN in modeling key biodiesel quality parameters and combustion performance in automobile engines is also discussed. This review has determined that ANN modeling has a high potential to contribute to the development of renewable energy systems by accelerating biodiesel research.

show abstract

Section: Ann In Predicting Fuel Propertiessupporting

confidence: 80%

Section: Use Of Ann Modelmentioning

confidence: 99%

The Use of Artificial Neural Networks for Identifying Sustainable Biodiesel Feedstocks

et al. 2013

View full text Add to dashboard Cite

show abstract

“…Przegląd literaturowy [2,5,8,11,12,14,30,37,47,46] w zakresie wykorzystywania sieci neuronowych do predykcji właściwości benzyn silnikowych i ich składników w zależno-ści od składu chemicznego (badanego różnymi sposobami) pokazuje, że bardzo istotne jest zgromadzenie odpowiedniej liczby serii danych (wystarczającego materiału do analizy), aby można było w pełni wykorzystać możliwości interpretacyjne sieci neuronowych. W innych przypadkach można tylko przypuszczać, że w sieciach neuronowych drzemie ogromny potencjał, ale nie do końca będzie to możliwe do wykazania.…”

Section: Wpływ Etanolu Na Prężność Parunclassified

Wykorzystanie sieci neuronowych w dochodzeniach związanych z przestępczością gospodarczą na rynku paliw płynnych. Część 1

Haduch

Badawczy

Tadeusiewicz

et al. 2017

View full text Add to dashboard Cite

Wykorzystanie sieci neuronowych w dochodzeniach związanych z przestępczością gospodarczą na rynku paliw płynnych. Część 1 W artykule dokonano krótkiego przeglądu literatury poświęconej wykorzystaniu sieci neuronowych przy określaniu niektó-rych właściwości benzyn silnikowych, istotnych przy predykcji ich jakości w powiązaniu ze składem chemicznym oznaczanym metodami chromatograficznymi (GC-FID, GC-MS).Słowa kluczowe: sieci neuronowe, benzyna silnikowa, właściwości benzyn silnikowych.The use of neural networks in investigations related to economic crime on the liquid fuels market. Part 1In the article a brief review of the literature on the use of neural networks in the determination of certain properties of motor gasoline relevant for the prediction of their quality in relation to chemical compositions determined by chromatography (GC-FID, GC-MS) was done.Key words: neural networks, motor gasoline, motor gasoline properties.W ramach swojej działalności instytucje badawcze wykonują lub mogą wykonywać szereg usług eksperckich i laboratoryjnych dla organów ścigania oraz instytucji zajmujących się monitoringiem jakości paliw, mających w efekcie poprawić bezpieczeństwo stosowania paliw ciekłych dostępnych na rynku polskim.W walce z przestępczością gospodarczą związaną z fał-szowaniem paliw ważne są dwa elementy:• szybkie określenie składu chemicznego badanego paliwa w powiązaniu z jego właściwościami, • wskazanie prawdopodobnego źródła pochodzenia zabezpieczonej próbki paliwa. Trudności w szybkim i pewnym określeniu tych dwóch czynników uniemożliwiają szybką reakcję i skuteczne przeciwdziałanie zjawisku fałszowania paliw, powodującemu olbrzymie straty finansowe skarbu państwa. Możliwość szybkiego kojarzenia i odtwarzania całości informacji na podstawie informacji niepełnej oraz zdolność prawidłowego zinterpretowania danych zniekształconych lub niekompletnych byłaby bardzo pomocna przy rozwiązywaniu tego rodzaju problemów. Aktualnie w Polsce i w Europie w obrocie detalicznym występują benzyny silnikowe zawierające w swym skła-dzie związki tlenowe (alkohole i etery), z których głównie stosowanymi są: etanol w ilości do 10% (V/V) oraz eter etylowo-tert-butylowy. Paliwa te są bardzo wrażliwe na próby fałszowania. Wszelkie, nawet niewielkie zmiany w składzie komponentowym, powstające przy nieuprawnionej ingerencji, mogą spowodować zmiany właściwości paliw, wpływa-jąc negatywnie na środowisko naturalne i silniki spalinowe napędzane tym paliwem. Wstęp

show abstract

“…Pasadakis et al [24] used Artificial Neural Network (ANN) models have to determine the RON of gasoline blends produced in a Greek refinery. The developed ANN models use as input variables the volumetric content of seven most commonly used fractions in the gasoline production and their respective RON values.…”

Section: Introductionmentioning

confidence: 99%

Development of Model Equations for Predicting Gasoline Blending Properties

Oduola

Iyaomolere²

2015

AJCHE

View full text Add to dashboard Cite

Gasoline blending is of pertinent importance in refinery operations owing to the fact that gasoline gives about 60 -70 % of the refinery profit. The blending process is essential to obtain gasoline in the demanded quantities and ensure property specifications are met. Two model equations, multivariable nonlinear and multivariable exponential are proposed in this study which are useful in predicting three significant properties of a motor gasoline: research octane number, reid vapour pressure and specific gravity. Gasoline blend data obtained from four different streams: straight run gasoline, straight run naphtha, reformate and fluidized catalytically cracked gasoline have been subjected to multivariate regression analysis with the aid of a statistical software to ascertain the fitness of the proposed equations in predicting the research octane number, reid vapor pressure and the specific gravity of the resulting premium motor spirit. The results of the regression analysis showed that the nonlinear multivariable models proposed gave a good fit as evidenced by the value of the coefficient of determination R 2 = 0.988 & 0.994 for the research octane number, 0.853 & 0.883 for the reid vapor pressure and 0.988 for specific gravity. In conclusion, the proposed model equations were fit to the data, found to be adequate, and therefore could be used for prediction of the blend gasoline properties.

show abstract

Octane number prediction for gasoline blends

Cited by 99 publications

References 3 publications

The Use of Artificial Neural Networks for Identifying Sustainable Biodiesel Feedstocks

The Use of Artificial Neural Networks for Identifying Sustainable Biodiesel Feedstocks

Wykorzystanie sieci neuronowych w dochodzeniach związanych z przestępczością gospodarczą na rynku paliw płynnych. Część 1

Development of Model Equations for Predicting Gasoline Blending Properties

Contact Info

Product

Resources

About