Use este identificador para citar ou linkar para este item: http://repositorio.ufc.br/handle/riufc/7499
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorCosta Filho, Raimundo Nogueira da-
dc.contributor.authorBuarque, Hugo Leonardo de Brito-
dc.date.accessioned2014-02-25T20:59:40Z-
dc.date.available2014-02-25T20:59:40Z-
dc.date.issued2006-
dc.identifier.citationBUARQUE, H. L. B. Predição de propriedades de gasolinas a partir das suas composições. 2006. 206 f. Tese (Doutorado em Física) - Centro de Ciências, Universidade Federal do Ceará, Fortaleza, 2006.pt_BR
dc.identifier.urihttp://www.repositorio.ufc.br/handle/riufc/7499-
dc.description.abstractCommercial 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.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectGasolina automotivapt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.titlePredição de propriedades de gasolinas a partir das suas composiçõespt_BR
dc.typeTesept_BR
dc.contributor.co-advisorCavalcante Júnior, Célio Loureiro-
dc.description.abstract-ptbrAs 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.pt_BR
Aparece nas coleções:DFI - Teses defendidas na UFC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2006_tese_hldbbuarque.pdf87,74 kBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.