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

• Autorzy: Haduch B. , Tadeusiewicz R.

Identyfikatory

DOI

10.18668/NG.2017.12.09

Warianty tytułu

EN

The use of neural networks in investigations related to economic crime on the liquid fuels market. Part 1

• Języki publikacji: PL

Abstrakty

PL

W artykule dokonano krótkiego przeglądu literatury poświęconej wykorzystaniu sieci neuronowych przy określaniu niektórych właściwości benzyn silnikowych, istotnych przy predykcji ich jakości w powiązaniu ze składem chemicznym oznaczanym metodami chromatograficznymi (GC–FID, GC–MS).

EN

In 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.

Słowa kluczowe

PL

sieci neuronowe; benzyna silnikowa; właściwości benzyn silnikowych

EN

neural networks; motor gasoline; motor gasoline properties

• Wydawca: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
• Czasopismo: Nafta-Gaz
• Rocznik: 2017
• Tom: R. 73, nr 12
• Strony: 974--979
• Opis fizyczny: Bibliogr. 47 poz.

Twórcy

autor

Haduch B.

• Biuro Kontroli. Instytut Nafty i Gazu - Państwowy Instytut Badawczy ul. Lubicz 25 A 31-503 Kraków

autor

Tadeusiewicz R.

• AGH Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej

Bibliografia

• [1] Abdulrhman M. Dhabbah, Sułtan S. Al-Jaber, Ahmad H. Al-Ghamdi, Ahmad Aqel: Determination of Gasoline Residues on Carpets by SPME-GC-MS Technique. Arab. J. Sci. Eng. 2014, vol. 39, nr 9, s. 6749-6756.
• [2] Achten C., Kolb A., Püttmann W.: Sensitive method for determination of methyl tert-butyl ether (MTBE) in water by use of headspace-SPME/GC-MS. Fresenius J. Anal. Chem. 2001, vol 371, s. 519-525.
• [3] Adutwum L.A., Harynuk J.J.: Unique Ion Filter: A Data Reduction Tool for GC/MS Data Preprocessing Prior to Chemometric Analysis. Anal. Chem. 2014, vol. 86 (15), s. 7726-7733.
• [4] Ahmad Aqela, Abdulrhman M. Dhabbah, Kareem Yusufa, Nasser M. AL-Harbic, Zeid A. Al Othmana, A. Yacine Badjah-Hadj-Ahmeda: Determination of Gasoline and Diesel Residues on Wool, Silk, Polyester and Cotton Materials by SPME-GC-MS. Journal of Analytical Chemistry 2016, vol. 71, nr 7, s. 730-736.
• [5] Andersen J.E., Kramer U., Mueller S.A., Wallington T.J.: Octane Numbers of Ethanol - and Methanol - Gasoline Blends Estimated from Molar Concentrations. Energy Fuels 2010, vol. 24(12), s. 6576-6585.
• [6] Babazadeh Shayan S., Seyedpour S.M., Omni F.: Effect of oxygenates blending with gasoline to improve fuel properties. Chinese Journal of Mechanical Engineering 2012, vol. 25, nr 4, s. 792-797.
• [7] Balabin R.M., Ravilya C., Safieva Z., Ekaterina C., Lomakina I.: Universal technique for optimization of neural network training parameters: gasoline near infrared data example. Neural Comput & Applic 2009, vol. 18, s. 557-565.
• [8] Brudzewski K., Kęsik A., Kołodziejczyk K., Zborowska U., Ulaczyk J.: Gasoline quality prediction using gas chromatography and FTIR spectroscopy: An artificial intelligence approach. Fuel 2006, vol. 85, s. 553-558.
• [9] Bruno T.J., Wolk A., Naydich A.: Composition-Explicit Distillation Curves for Mixtures of Gasoline with Four-Carbon Alcohols (Butanols). Energy Fuels 2009, vol. 23, nr 4, s. 2295-2306, DOI: 10.1021/ef801117c.
• [10] Cartwright_H., Curteanu S.: Neural Networks Applied in Chemistry. II. Neuro-Evolutionary Techniques in Process Modeling and Optimization. Ind. Eng. Chem. Res. 2013, vol. 52 (36), s. 12673-12688.
• [11] Cerda J., Pautasso P.C., Cafaro D.C.: Optimizing gasoline recipes and blending operations using nonlinear blend models. Ind. Eng. Chem. Res., Just Accepted Manuscript, 23.06.2016, American Chemical Society.
• [12] Cheng H., Zhong W., Qian F.: An Application of the Particle Swarm Optimization on the Gasoline Blending Process. [W:]: Zeng D. (Ed.): ICAIC 2011, Part II, Springer-Verlag Berlin Heidelberg 2011, CCIS 225, s. 352-360.
• [13] Chopra A., Singh D., Manna R., Saravanan S., Sastry M.I.S, Patel M.B., Basu B.: Estimation of Olefin Dimerisation Products by GC/GC-MS and IR Techniques. Chromatographia 2014, vol. 77, s. 845-851.
• [14] Côcco L.C., Yamamoto C.I., Meien O.F.: Study of correlations for .physicochemical properties of Brazilian gasoline. Chemometrics and Intelligent Laboratory Systems 2005, vol. 76, s. 55-63.
• [15] Danek B., Rogowska D.: Destylacja benzyny silnikowej z zawartością do 10% (V/V) etanolu - obliczanie j ej parametrów metodą addytywnych wskaźników mieszania. Nafta-Gaz 2014, nr 3, s. 192-196.
• [16] Environmental Protection Agency [EPA-HQ-OAR-2009-0211; FRL-9258-6] Partial Grant of Clean Air Act Waiver Application Submitted by Growth Energy to Increase the Allowable Ethanol Content of Gasoline to 15 Percent. Decision of the Administrator. Federal Register, vol. 76, nr 17, Wednesday, January 26, 2011, Notices.
• [17] Ethanol/petrol blends: volatility characterisation in the range 5-25 vol% ethanol. TREN/D2/454-2008-SI.2.522.698 (Final Report). Brussels: EU Commission; https://ec.europa.eu/energy/sites/ener/files/documents/2010_bep525_final_report.pdf (wrzesień 2016).
• [18] Ghosh P., Hickey K.J., Jaffe S.B.: Development of a Detailed Gasoline Composition-Based Octane Model. Ind. Eng. Chem. Res. 2006, vol. 45 (1), s. 337-345.
• [19] Guidelines for blending and handling motor gasoline containing up to 10% v/v ethanol. Report 3/2008, CONCAWE, Brussels, April 2008.
• [20] Haduch B.: Zastosowanie sieci neuronowych w badaniach nad stworzeniem komputerowego modelu nieliniowych właściwości benzyn silnikowych zawierających bioetanol i eter etylowo-tert-butylowy. Dokumentacja INiG - PIB, nr archiwalny: DK-4100/21/12.
• [21] Haduch B.: Zastosowanie sieci neuronowych w badaniach nad stworzeniem komputerowego modelu nieliniowych właściwości ben¬zyn silnikowych zawierających bioetanol i eter etylowo-tert-butylowy. Dokumentacja INiG - PIB, nr archiwalny: DK-4100/51/13.
• [22] Haduch B.: Zastosowanie sieci neuronowych w badaniach nad stworzeniem komputerowego modelu nieliniowych właściwości benzyn silnikowych zawierających komponenty tlenowe. Dokumentacja INiG - PIB, nr archiwalny DK-4100/62/1.
• [23] Haduch B.: Zastosowanie sieci neuronowych w badaniach nad stworzeniem komputerowego modelu nieliniowych właściwości benzyn silnikowych zawierających komponenty tlenowe. Dokumentacja INiG - PIB, nr archiwalny: DK-4100/02/15.
• [24] Haduch B.: Zastosowanie symulacji neuronowych i algorytmów logiki rozmytej (Fuzzy Logic) dla opisu nieliniowych zależności we właściwościach benzyn silnikowych zawierających w swoim składzie bioetanol. Dokumentacja INiG - PIB, nr archiwalny: DK-4100/77/11.
• [25] Harley R.A., Coulter-Burke S.C., Yeung T.S.: Relating Liquid Fuel and Headspace Vapor Composition for California Reformulated Gasoline Samples Containing Ethanol. Emdron. Sci. Technol. 2000, vol. 34 (19), s. 4088-4094.
• [26] Hatanaka R., Flumignan D.L., de Oliveira J.E.: GC Finger-prints Coupled to Pattern-Recognition Multivariate SIMCA Chemometric Analysis for Brazilian Gasoline Quality Studies. Chromatographia 2009, vol. 70, nr 7/8, s. 1135-1142.
• [27] Joint EUCAR/JRC/CONCAWE Study on: Effects of Gasoline Vapour Pressure and Ethanol Content on Evaporative Emissions from Modern Cars. Institute for Environment and Sustainability 2007, EUR 22713 EN.
• [28] Kar K., Last T., Haywood C., Raine R.: Measurement of Vapor Pressures and Enthalpies of Vaporization of Gasoline and Ethanol Blends and Their Effects on Mixture Preparation in an Sl Engine. SAE International Journal of Fuels and Lubricants 2009, vol. l (1), s. 132-144, DOI: 10.4271/2008-01-0317.
• [29] Liang R, Kerpen K., Kuklya A., Telgheder U.: Fingerprint identification of volatile organic compounds in gasoline contaminated groundwater using gas chromatography differential ion mobility spectrometry. Int. J. Ion Mobil. Spec. 2012, vol. 15, s. 169-177.
• [30] Moreira L.S., d'Avila L.A., Azevedo D.A.: Automotive Gasoline Quality Analysis by Gas Chromatography: Study of Adulteration. Chroatographia 2003, vol. 58, s. 501-505.
• [31] Murty B.S.N., Rao R.N.: Global optimization for prediction of blend composition of gasolines of desired octane number and properties. Fuel Processing Technology 2004, vol. 85, s. 1595-1602.
• [32] Muzikova Z., Pospisil M., Sebor G.: Volatility and phase stability of petrol blends with ethanol. Fuel 2009, vol. 88, nr 8, s. 1351-1356, DOI: 10.1016/j.fuel.2009.02.003.
• [33] Olatunji S.O., Adeleke I.A.: An Intelligent Framework for the Classification of Premium and Regular Gasoline for Arson and Fuel Spill Investigation Based on Extreme Learning Machines, Computational Intelligence, Communication Systems and Networks (CICSyN). Second International Conference on Liverpool, 28-30.07.2010, s. 13-16.
• [34] Pałuchowska M., Haduch B.: Aspekty wprowadzania średniego poziomu zawartości etanolu do benzyny silnikowej. Część 1. Nafta-Gaz2016, nr 2, s. 112-117, DOI: 10.18668/NG.2016.02.06.
• [35] Pałuchowska M., Haduch B.: Aspekty wprowadzania średniego poziomu zawartości etanolu do benzyny silnikowej. Część 2. Nafta-Gaz 2016, nr 9, s. 755-760, DOI: 10.18668/NG.2016.09.11.
• [36] Pałuchowska M., Rogowska D.: Wpływ bioetanolu na nieaddytyw-ne właściwości benzyny silnikowej. Nafta-Gaz 2009, nr l, s. 21-28.
• [37] Pasadakis N., Gaganis V., Foteinopoulos C.: Octane number prediction for gasoline blends. Fuel Processing Technology 2006, vol. 87, s. 505-509.
• [38] Preliminary Examination of Ethanol Fuel Effects on EPA's R-factor for Vehicle Fuel Economy. ORNL/TM-2012/198, June 2013.
• [39] Rigo T.R.M., Flumignan D.L., Boralle N., de Oliveira J.E.H.: NMR Fingerprinting of Brazilian Commercial Gasoline: Pattern-Recognition Analyses for Origin Authentication Purposes. Energy Fuels 2009, vol. 23 (8), s. 3954-3959.
• [40] Smith B.L., Bruno T.J.: lmprovements in the Measurement of Distillation Curves. 3. Application to Gasoline and Gasoline + Methanol Mixtures. Industrial & Engineering Chemistry Research 2007, vol. 46, nr 1, s. 297-309, DOI: 10.1021/ie060937u.
• [41] Takayasu T., Kondo T.: Components of gasoline and kerosene. [W:] Suzuki O., Watanabe K. (Eds.): Drugs and Poisons in Humans a Handbook of Practical Analysis. Springer-Verlag Berlin Heidelberg 2005.
• [40] Takeshita E.V., Rezende R.V.P., Gueli U., de Souza S.M.A., Ulson de Souza A.A.: Influence of solvent addition on the physicochemical properties of Brazilian gasoline. Fuel 2008, vol. 87, nr 10-11, s. 2168-2177, DOI: 10.1016/j.fuel.2007.11.003.
• [42] West B.: Etanol as a Spark Ignition Engine Fuel. Fuels, Engines and Emissions Research Center Oak Ridge National Laboratory, National Ethanol Conference, 18-19.02.2014 (dostęp: kwiecień 2015).
• [43] Woebkenberg W.: Mid-Blend Ethanol Fuels - Implementation Perspectives. US Fuels Technical and Regulatory Affairs. Mercedes-Benz Research & Development North America, 25.07.2013 (htpp: prezentacja Mercedes-Benz).
• [44] Yanowitz J., Ratcliff M., Zigler B.T., McCormick R.L.: Appendix: Studies on the Use of E15 and E20 in Light-Duty Vehicles. National Renewable Energy Laboratory, Ecoengineering, Inc.
• [45] Yu W., Moreno-Armendariz M.A.: Modelling of gasoline blending via discrete-time neural networks. Neural Networks 2004. Proceedings 2004. IEEE International Joint Conference on Budapest, 25-29.07.2004, vol. 2, s. 1291-1296.
• [46] Zhang X., Yan W., Shao H.: Nonlinear Multivariate Quality Estimation and Prediction Based on Kernel Partial Least Squares. Ind. Eng. Chem. Res. 2008, vol. 47 (4), s. 1120-1131.
• Akty prawne i normatywne
• [47] Dyrektywa Parlamentu Europejskiego i Rady 2009/28/WE z dnia 23 kwietnia 2009 r. w sprawie promowania stosowania energii ze źródeł odnawialnych. Dz.U. UE L 09.140.16.

Uwagi

PL

Artykuł powstał na podstawie pracy statutowej pt.: Zastosowanie sieci neuronowych w dochodzeniach śledczych INiG - PIB wykonywanych metodologią fingerprinting - praca INiG - PIB na zlecenie MNiSW; nr zlecenia: 0075/TA/16/01, nr archiwalny: DK-4100-69/16.