【発明の詳細な説明】
炭化水素製品の物理特性データの予測方法
本発明は、ニューラルネットワークにより炭化水素製品の（近）赤外（（Ｎ．
）Ｉ．Ｒ．）スペクトルを問題の物理特性に相関させて前記炭化水素製品の物理
特性データを予測する方法に関する。このような物理特性には、オクタン価、蒸
気圧、セタン価、密度等が含まれる。特に、中赤外線（３〜１４μｍ）がセタン
着火向上剤濃度を決定するために使用される。
当業者には自明の通り、有機化合物は、赤外領域（約１〜約３００μｍ）に単
一のスペクトル指紋を有する。
最近のバルク燃料（bulk fuels）のような炭化水素製品の市場動向は製品の品
質や性能により多くの責任を負わせる。ある燃料が他の燃料よりも遥かに高性能
であることを顧客に確信させるためにあらゆるマーケティングキャンペーンが展
開されており、この哲学は続くと予想される。このようなアプローチを、精製か
らブレンディングを経て、最終的に顧客への供給に至るまでの品質の完全な保守
により支援する必要がある。品質監視機器を用いて燃料の性能を測定すれば、こ
の必要性に最もかない得る。
現時点では、製油所から送出された後の燃料が仕様に適合するかどうかを調べ
るために行われる検査を改善することができる。ガソリンの場合、透明度や匂い
を単に手作業で検査し、密度を記録しておく。これは、現代の開発されたガソリ
ンの非常に複雑な性質を考慮すれば、十分ではない。実際に燃料の性能を測定す
る品質監視機器パッケージが有利であり、燃料分解、他の燃料との併合汚染、及
び燃料組成の変化を分配チェーン（distribution chain）で検出して、位置を特
定することができる。これにより、顧客が意図した通りの燃料を受け取ることが
できるだけでなく、分配チェーンに沿っての問題を見つけて、処理することがで
きる。ガソリンの最も重要な性能測定はオクタン価（Ｏ．Ｎ．）である。これは
現在、製油所の研究室で標準エンジンにより測定されている。このエンジンは、
設備コストのかかる装置部品であり、頻繁な保守やキャリブレーションを必要と
し、高度の訓練を受けた運転及び結果分析スタッフを必要とする。労力及びコス
トのため、分配チェーン沿いにこのようなエンジンを設置することはできず、従
って、より安価な代替オクタン価測定法を見つける必要がある。
ディーゼル油の同様の性能を測るものはセタン価である。これは、ディーゼル油
の着火特性を表す量である。エンジンは、セタン油測定のために存在する。
基準燃料は、自動車ガソリンのオクタン価測定と同様に使用される。これらの
基準燃料はｎ−セタン及びα−メチルナフタレンである。着火品質はセタン価（
着火性能が試験エンジンの燃料のものに匹敵するα−メチルナフタレン含有ブレ
ンド中のセタンの容量％）として表される。実際には、セタンエンジンはめった
に使用されず、セタンは通常、他の測定（例えば密度及び蒸留）により“セタン
指数”として計算される。しかしながら、セタン指数は未来のディーゼル燃料に
は適さず、代替のセタン価測定法が必要である。
ニューラルネットワークを適用して、無鉛ガソリンのオクタン価を近赤外（Ｎ
．Ｉ．Ｒ．）スペクトルの関数として原則的に決定することは既に提案されてい
る。
しかしながら、ガソリンのような炭化水素製品のオクタン価をこのようにその
Ｎ．Ｉ．Ｒ．スペクトルから予測することには改善の余地があり、従って、広範
なオクタン価
を示すブレンド製品やプロセスストリームのオクタン価を予測できる（有鉛及び
無鉛両方の）未知のガソリンのオクタン価の正確な予測方法を提供することが本
発明の目的である。炭化水素製品の他の物理特性（例えば蒸気圧、密度及びセタ
ン価）についても同様に予測精度を改善する必要がある。
更には、軽油のセタン価を近赤外（Ｎ．Ｉ．Ｒ．）スペクトルの関数として決
定することは既に提案されている（例えばヨーロッパ特許出願公開第０，３０４
，２３２号参照）。
しかしながら、今日まで、軽油のセタン価をそのＩ．Ｒ．スペクトルから予測
することは不可能であった。
従って、本発明は、測定した（Ｎ．）Ｉ．Ｒ．スペクトル吸光度から炭化水素
製品の物理特性データを決定するために適用されるニューラルネットワークのデ
ータ処理及び最適化方法を提供する。本方法は、
ａ）広範なソースから多数の炭化水素製品試料集合の（Ｎ．）Ｉ．Ｒ．スペクト
ルを測定し；
ｂ）このようにして得られた（Ｎ．）Ｉ．Ｒ．スペクトル
の上音（倍音）領域を選択し；
ｃ）各（Ｎ．）Ｉ．Ｒ．スペクトルで幾つかの個別（discrete）波長を選択し、
幾つかの該波長を吸収データに変換し、該吸収データをニューラルネットワーク
への入力として使用し；
ｄ）入力及び既知の出力即ち炭化水素製品に対する（近）赤外データ及びその関
連物理特性データの反復提示により全データセットに関してニューラルネットワ
ークを訓練して両データの関係を学習し、訓練データのために標準的な方法で測
定される実際の関連物理特性データに対する予測性能を監視し、かくして吸光度
値を前記関連物理特性と相関させ；
ｅ）段階ｄ）の学習期間の後に調整されるようなネットワークの１組の相互接続
重み値及び偏倚値を生成し；
ｆ）ネットワークアルゴリズムを用いて、前記調整値を、未知の物理特性データ
を有する炭化水素製品について同一条件下で測定される（近）赤外スペクトルに
適用する段階からなることを特徴とする。
０．７８〜３０μｍの波長を適用することが有利である。
（近）赤外線（０．７〜３μｍ波長）を適用することが更に有利である。
以下で添付図面を参照して本発明を具体的に更に詳しく説明する。図１は、本
発明の方法によって有利に適用されるニューラルネットワークを概略的に示す。
本発明は、オクタン価、蒸気圧、密度等のような炭化水素製品の物理特性の近
赤外スペクトルとの相関の原理に基づく。このような原理自体は周知であり（例
えばヨーロッパ特許出願公開第０，３０４，２３２号及びヨーロッパ特許出願公
開第０，２８５，２５１号参照）、詳細には記載しない。更には、ニューラルネ
ットワークを適用する。ニューラルネットワーク自体の一般的な理論や一般的な
作用は当業者には公知であり、従って詳細には記載しない。
一般に、ニューラルネットワークは、学習期間中に入力変数と出力変数との相
関が検索されるシステムとして定義することができる。この学習期間に十分な例
が提供された後に、ニューラルネットワークは任意の入力に対して適切な出力を
生成し得る。ニューラルネットワークは例えば、パターン認識の問題のために適
用されている。
当業者には自明の通り、ニューラルネットワークは（脳のニューロンに類似す
る）処理エレメントの層からなり、各エレメントは重み付けされて（脳のシナプ
スに類似する）他の層のエレメントに接続される。ネットワークはエレメント間
の重みを調整することによりパターンを学習すると共に、正確な条件付けされた
データで訓練されている。
有利な学習アルゴリズムによれば、訓練エラー、実結果と予測結果との差はネ
ットワークを通じて、訓練パターンからのフィードバックを受け取らない隠れた
層に伝播して戻される。エラーを最小とすべく、相互接続の重みがエラー方向に
スモールステップで調整されて、訓練データが再度実行される。これは、エラー
が許容可能なレベルに達するまで何度も行われ、通常は初期測定を繰り返し行う
ことができる。
以下では、本発明を特にガソリンのオクタン価の予測に関して説明するが、本
発明がこれに限定されず、蒸気圧、密度、セタン価等の予測のためにも使用でき
ることは当業者には自明であろう。
本発明によれば、種々の未精製供給原料や中間体の製油
工程に係わる、広範なソースからの多数の（有利には少なくとも１００個の）ガ
ソリン試料集合の（近）赤外（（Ｎ．）Ｉ．Ｒ．）スペクトルを測定する。これ
はその後の予測ツールの一般性や適用性を決定するために、非常に多様である。
（Ｎ．）Ｉ．Ｒ．スペクトルの第２の上音（倍音）領域を選択することが有利で
ある。この領域は９００〜１３００ｎｍ（波長）に及び、測定により入手可能な
情報と成分計測器（component instrmentation）の安定性や感度との間で最良の
バランスを取ることができるのがこの領域であるためにこの領域を選択する。
幾つかある個別波長を、ニューラルネットワークへの入力として使用される吸
収データに変換する。訓練集合のガソリンに対応するスペクトル集合のデータ分
析を以下の方法で実施する：
１．前記集合の平均スペクトルを生成し、各個々のスペクトル間の差及び平均値
を計算する。
２．平均スペクトルは約５０００データポイントであり、１００個のガソリン集
合の分析の問題は非常に困難である。データを管理可能な数の問題変数に削減す
る技術が必要で
ある。
３．ニューラルネットワーク技術の場合、測定波長の数を物理的に低減させてデ
ータを削減する。データ削減は以下の方法で実施する：例えば主成分分析法のよ
うな多変量統計技術を軽油の訓練集合で使用して、オクタン価との相関での各ス
ペクトルデータポイントの相対的な重要性を示す“特性スペクトル”を生成する
。次いで、スペクトル測定を、通常は５〜１０の数の個別波長に簡略化する。吸
光度値をニューラルネットワークへの入力として使用する。
有利には、選択する波長の数は、アルコールを含まないが酸素化物（oxygenat
es）（例えばＭＴＢＥ）は含んでもよい燃料で５であり、燃料がアルコールを含
む場合は６である。セタン価測定では、セタン着火向上添加剤の濃度を監視する
以外に、６〜７μｍの波長を選択することが有利である。
波長のひとつが、任意の機器ドリフトの修正の伝送基準として有利に使用され
る。
基準によって修正される残りの波長は、吸収データに変換される。これは、対
数的に実施され得る。データは、各
波長について所定のバウンド内で数学的に率に応じて決められ（scaling）得る
。即ち、各燃料又はプロセスストリームについて予想される極値を使用して、各
波長で許容可能な吸光度の範囲を提供し、この範囲に対し試験すべき燃料につい
て尺度化がなされ得る。
ニューラルネットワークは、入力及び既知の出力即ちガソリンの赤外データ及
びそのオクタン価の反復提示により全データセットに関して訓練され、両データ
の関係を学習する。標準エンジン法によって測定される実際のオクタン価データ
に対する予測性能を監視する。
ニューラルネットワークが前記関係を“学習する”と、データセットが、“学
習”段階で使用されない妥当性検査セットと別の訓練セットとに分割されるべき
である。
有利には、図示するように、使用するネットワークは３層アーキテクチャーを
有し、これは、例えば第１の層に４個の入力ノードを、入力Ａと出力Ｂとの間の
第２の層に２個の隠れたノードを、第３の層に１個の出力ノードを有する。これ
は、（４，２，１）ネットワークと呼ばれる。スペクトルデータは入力ノードへ
の入力Ａとして表示され、
製品品質情報Ｂは出力である。
当業者には自明の通り、ノードはある重みの相互接続を有し、偏倚があっても
よい。
ネットワークの重み及び偏倚を保存し、これを使用して、赤外吸光度測定値を
含む入力データを分析し、パターンをガソリンのオクタン価と相関させることが
できる。従って、（Ｎ．）Ｉ．Ｒ．データからオクタン価を記載するためにネッ
トワークアルゴリズムを使用する予測では、訓練され、妥当性検査セットに対す
る試験に合格した重要なパラメーターは、ノード間の相互接続重み、及び隠れた
ノードや出力ノードでの偏倚である。
これらは問い合せられ、次いで未来の燃料試料のオクタン価分析のためにネッ
トワークアルゴリズムで実施され得る。
多重出力の場合、ニューラルネットワークアルゴリズムは、各出力について実
行される。マイクロプロセッサーチップ上のソフトウエアコードにより実行され
、従ってこの実行は、容易に再プログラミングされ得るネットワークパラメータ
ーの任意の変化に対して柔軟である。
この機器は、無鉛自動車ガソリンの他に、有鉛燃料でも結果をもたらし得る。
但し、含鉛量は既知とする。予測されるオクタン価に単純な数値修正を加えるこ
とができる。
ネットワークを適用して、中間プロセスストリーム（例えば接触分解、改質ガ
ソリン、アイソメレート、アルキレート）の試料のオクタン価を提供することも
有利であり得る。これらは、プロセスストリームの試料で訓練された単一ニュー
ラルネットワークを用いて得ることができる。
適用されるネットワークアーキテクチャーが、各層に存在するノードの正にそ
の数で、又は実際の層の数で変動し得ることは当業者には自明である。有利には
、２〜５個の層が適用された。
本発明によれば、入力層のノード数が３〜１０であり、隠れた層のノード数が
１〜１０であり、出力層のノード数が１〜３であることが有利である。特に、（
３，５，１）、（６，６，３）及び（６，６，６，３）ネットワークを適用する
ことができる。
本発明の種々の変形は、前述の説明及び添付の図面により当業者には自明であ
る。このような変形は、付属のクレ
ームの範囲内である。Detailed Description of the Invention
Prediction method for physical property data of hydrocarbon products
The present invention uses a neural network to (near) infrared ((N.
) I. R. ) Correlating the spectrum with the physical properties of interest to determine the physics of the hydrocarbon product.
It relates to a method of predicting characteristic data. These physical properties include octane number and steam.
Atmospheric pressure, cetane number, density, etc. are included. Especially, mid-infrared rays (3 to 14 μm) are cetane
Used to determine ignition enhancer concentration.
As will be apparent to those skilled in the art, organic compounds are single molecules in the infrared region (about 1 to about 300 μm).
Has one spectral fingerprint.
Recent market trends for hydrocarbon products such as bulk fuels are
Take more responsibility for quality and performance. One fuel is much more powerful than another
Every marketing campaign to convince customers that
It is open and this philosophy is expected to continue. Purification of such an approach
Complete maintenance of quality from blending to final customer supply
Need more assistance. If you measure the performance of the fuel using quality monitoring equipment,
Get the most out of your needs.
At this time, it is necessary to check whether the fuel after it is delivered from the refinery meets the specifications.
The inspections performed to improve can be improved. For gasoline, transparency and odor
Simply manually inspect and record the density. This is a modern developed scorpion
This is not enough given the very complex nature of Actually measure fuel performance
A quality monitoring equipment package is advantageous because it can lead to fuel decomposition, co-contamination with other fuels, and
And changes in fuel composition are detected by the distribution chain to determine the position.
Can be specified. This ensures that the customer receives the fuel as intended.
Not only is it able to find and handle problems along the distribution chain.
Wear. The most important performance measure of gasoline is the octane number (ON). this is
It is currently measured by a standard engine in a refinery laboratory. This engine
It is an equipment part that requires high equipment cost and requires frequent maintenance and calibration.
And requires highly trained operation and results analysis staff. Labor and cost
Because of this, it is not possible to install such an engine along the distribution chain.
Therefore, it is necessary to find a cheaper alternative octane number measurement method.
A similar performance measure of diesel oil is the cetane number. This is diesel oil
It is an amount that represents the ignition characteristics of. The engine exists for cetane oil measurement.
The reference fuel is used similarly to the octane number measurement of automobile gasoline. these
Reference fuels are n-cetane and α-methylnaphthalene. Ignition quality is the cetane number (
A blend containing α-methylnaphthalene whose ignition performance is comparable to that of the fuel of the test engine.
% Of cetane in the binder). In fact, the cetane engine rarely
Cetane is not used for "cetane" and is usually measured by other measurements (eg density and distillation).
It is calculated as "index." However, the cetane index is a future diesel fuel.
Is not suitable and requires an alternative cetane number measurement method.
By applying a neural network, the octane number of unleaded gasoline is calculated in the near infrared (N
． I. R. ) It has already been proposed to determine in principle as a function of the spectrum.
It
However, the octane number of hydrocarbon products such as gasoline is thus
N. I. R. There is room for improvement in predicting from the spectrum, and therefore widespread.
Octane number
Predict the octane number of blended products and process streams that exhibit
The book is to provide an accurate method of predicting the octane number of unknown gasoline (both unleaded)
It is the purpose of the invention. Other physical properties of hydrocarbon products such as vapor pressure, density and
Similarly, it is necessary to improve the prediction accuracy.
Furthermore, the cetane number of light oil is determined as a function of the near infrared (NIR) spectrum.
Has already been proposed (eg European Patent Application Publication No. 0,304).
, 232).
However, to date, the cetane number of gas oil has been reduced to its I.V. R. Predict from spectrum
It was impossible to do.
Therefore, the present invention provides a measured (N.) I. R. Hydrocarbon from spectral absorbance
The data of the neural network applied to determine the physical property data of the product.
A data processing and optimization method is provided. This method
a) A large number of hydrocarbon product sample sets (N.) I. R. Spect
Measure the
b) The (N.) I. R. Spectrum
Select the overtone (overtone) area of;
c) Each (N.) I.D. R. Select some discrete wavelengths in the spectrum,
Converting some of the wavelengths into absorption data and using the absorption data in a neural network
Used as input to;
d) Input and known output or (near) infrared data and its relationship to the hydrocarbon product.
Neural networks for all datasets are presented by iterative presentation of continuous physical property data.
Train the train to learn the relationship between the two data and measure them using standard methods for training data.
Monitor the predictive performance against the actual relevant physical property data determined and thus the absorbance
Correlating the value with the relevant physical property;
e) a set of interconnections of the network as adjusted after the learning period of step d)
Generate weights and biases;
f) By using a network algorithm, the adjustment value is set to unknown physical property data.
In the (near) infrared spectrum measured under the same conditions for hydrocarbon products with
It is characterized by comprising the step of applying.
It is advantageous to apply wavelengths of 0.78-30 μm.
It is further advantageous to apply (near) infrared radiation (0.7-3 μm wavelength).
Hereinafter, the present invention will be described in more detail with reference to the accompanying drawings. Figure 1 is a book
2 schematically shows a neural network advantageously applied by the method of the invention.
The present invention provides a close approximation of the physical properties of hydrocarbon products such as octane number, vapor pressure, density, etc.
Based on the principle of correlation with the infrared spectrum. This principle is well known (example
For example, European Patent Application Publication No. 0,304,232 and European Patent Application Publication
No. 0,285,251) and will not be described in detail. Furthermore, the neural network
Apply network. The general theory of neural networks themselves and the general
The action is known to the person skilled in the art and is therefore not described in detail.
In general, a neural network uses the phase of input variables and output variables during the learning period.
It can be defined as a system in which functions are searched. Enough examples for this study period
Is provided, the neural network will output the appropriate output for any input.
Can be generated. Neural networks are, for example, suitable for pattern recognition problems.
Have been used.
As one of ordinary skill in the art will appreciate, neural networks (similar to brain neurons
Each element is weighted (brain synapse).
Connected to elements in other layers. Network is between elements
Learned the pattern by adjusting the weights of
Trained on data.
According to an advantageous learning algorithm, training errors and differences between actual and predicted results are
Hidden not receiving feedback from training patterns through network
Propagate back to the layer. To minimize errors, interconnect weights are
The training data is run again, adjusted in small steps. This is the error
Is repeated many times until it reaches an acceptable level, usually repeated initial measurements
be able to.
In the following, the invention will be described with particular reference to the prediction of the octane number of gasoline.
The invention is not limited to this, and can be used to predict vapor pressure, density, cetane number, etc.
It will be obvious to those skilled in the art.
According to the present invention, various crude feedstocks and intermediate oil refineries
A large number (preferably at least 100) of gas sources from a wide range of sources involved in the process.
The (near) infrared ((N.) IR) spectrum of the Sorin sample set is measured. this
Are very diverse to determine the generality and applicability of subsequent predictive tools.
(N.) I. R. It is advantageous to select the second overtone region of the spectrum
is there. This region extends from 900 to 1300 nm (wavelength) and is available by measurement
The best balance between the information and the stability and sensitivity of the component instrumentation
Choose this area because it is this area that can be balanced.
Several individual wavelengths are used as input to the neural network.
Convert to the receipt data. Data part of spectrum set corresponding to gasoline of training set
The analysis is carried out in the following way:
1. Generate an average spectrum of the set and calculate the difference and average value between each individual spectrum
To calculate.
2. The average spectrum is about 5000 data points and 100 gasoline collections.
The problem of combined analysis is very difficult. Reduce the data to a manageable number of problem variables
Technology needed
is there.
3. In the case of neural network technology, the number of measurement wavelengths is physically reduced to
Data reduction. Data reduction is done in the following ways: eg Principal Component Analysis
Such multivariate statistical techniques were used in the light oil training set to determine each step in correlation with octane number.
Generate a "characteristic spectrum" showing the relative importance of vector data points
. The spectral measurement is then simplified, typically to a number of 5-10 individual wavelengths. Sucking
The luminosity value is used as an input to the neural network.
Advantageously, the number of wavelengths chosen is alcohol-free but oxygenat.
es) (eg MTBE) is a fuel that may include 5 and the fuel may include alcohol.
When it is necessary, it is 6. Cetane number measurement monitors the concentration of cetane ignition enhancement additives
Besides, it is advantageous to choose a wavelength of 6-7 μm.
One of the wavelengths is advantageously used as a transmission reference for correction of any equipment drift.
It
The remaining wavelengths corrected by the standard are converted into absorption data. This is
It can be implemented numerically. Data is for each
The wavelength can be mathematically scaled within a given bound
. That is, using the extreme values expected for each fuel or process stream,
It provides a range of absorbances that are acceptable at wavelengths for which the fuel to be tested should be tested.
Can be scaled.
The neural network consists of inputs and known outputs, i.e. gasoline infrared data and
Trained on the entire data set with repeated presentation of
Learn relationships. Actual octane number data measured by standard engine method
Monitor the prediction performance for.
When the neural network “learns” the above relationships, the data set “learns”.
Should be split into a validation set that is not used in the "training" stage and another training set
Is.
Advantageously, as shown, the network used has a three-tier architecture.
This has, for example, four input nodes in the first layer, between the input A and the output B.
It has two hidden nodes in the second layer and one output node in the third layer. this
Is called a (4,2,1) network. Spectral data to input node
Displayed as input A of
Product quality information B is an output.
Those skilled in the art will appreciate that nodes have some weight of interconnections and
Good.
Save the network weights and biases and use them to make infrared absorbance measurements.
Analysis of input data including and correlation of pattern with gasoline octane number
it can. Therefore, (N.) I. R. To enter the octane number from the data,
For predictions using network algorithms, trained and validated validation sets
The important parameters that passed the test are interconnect weight between nodes, and hidden
It is the bias at the nodes and output nodes.
These are queried and then netted for octane number analysis of future fuel samples.
It may be implemented in a network algorithm.
In the case of multiple outputs, the neural network algorithm does
Done. Executed by software code on the microprocessor chip
, So this run can be easily reprogrammed with network parameters
Flexible to any changes in
This equipment can have results in leaded fuels as well as unleaded motor gasoline.
However, the lead content is known. A simple numerical correction to the predicted octane number
You can
Applying a network to apply intermediate process streams (eg catalytic cracking, reforming gas
It also provides the octane number of samples of sorin, isomerate, alkylate)
Can be advantageous. These are single trains trained on process stream samples.
It can be obtained by using the Ral network.
The applied network architecture is exactly the same as the nodes in each tier.
It will be obvious to a person skilled in the art that the number can vary, or the actual number of layers. Advantageously
, 2-5 layers were applied.
According to the present invention, the number of nodes in the input layer is 3 to 10, and the number of nodes in the hidden layer is
1-10, and advantageously the number of nodes in the output layer is 1-3. In particular,(
Apply 3,5,1), (6,6,3) and (6,6,6,3) networks
be able to.
Various modifications of the present invention will be apparent to those skilled in the art from the foregoing description and accompanying drawings.
It This kind of deformation is
Within the range of the room.
【手続補正書】特許法第１８４条の８
【提出日】１９９５年１月２４日
【補正内容】
３４条補正
ガソリンの最も重要な性能測定はオクタン価（Ｏ．Ｎ．）である。これは現在
、製油所の研究室で標準エンジンにより測定されている。このエンジンは、装着
コストのかかる装置部品であり、頻繁な保守やキャリブレーションを必要とし、
高度の訓練を受けた結果処理分析スタッフを必要とする。労力及びコストのため
、分配チェーン沿いにこのようなエンジンを設置することはできず、従って、よ
り安価な代替オクタン価測定法を見つける必要がある。ディーゼル油の同様の性
能を測るものはセタン価である。これは、ディーゼル油の着火特性を表す量であ
る。エンジンは、セタン油測定のために存在する。
基準燃料は、自動車ガソリンのオクタン価測定と同様に使用される。これらの
基準燃料はｎ−セタン及びα−メチルナフタレンである。着火品質はセタン価（
着火性能が試験エンジンの燃料のものに匹敵するα−メチルナフタレン含有ブレ
ンド中のセタンの容量％）として表される。実際には、セタンエンジンはめった
に使用されず、セタンは通常、他の測定（例えば密度及び蒸留）により“セタン
指数
”として計算される。しかしながら、セタン指数は未来のディーゼル燃料には適
さず、代替のセタン価測定法が必要である。
一般に、ニューラルネットワークを適用して、無鉛ガソリンのオクタン価を近
赤外（Ｎ．Ｉ．Ｒ．）スペクトルの関数として決定することは既に提案されてい
る（１９９１年７月１日付け調査レポート、５７１−５７２ページ“Ｄｅｔｅｒ
ｍｉｎａｔｉｏｎ ｏｆ ｆｕｅｌ ｐｒｏｐｅｒｔｉｅｓ”を参照されたい）
。
しかしながら、ガソリンのような炭化水素製品のオクタン価をこのようにその
Ｎ．Ｉ．Ｒ．スペクトルから予測することには改善の余地があり、従って、広範
なオクタン価を示すブレンド製品やプロセスストリームのオクタン価を予測でき
る（有鉛及び無鉛両方の）未知のガソリンのオクタン価の正確な予測方法を提供
することが本発明の目的である。炭化水素製品の他の物理特性（例えば蒸気圧、
密度及びセタン価）についても同様に予測精度を改善する必要がある。
更には、軽油のセタン価を近赤外（Ｎ．Ｉ．Ｒ．）スペ
クトルの関数として決定することは既に提案されている（例えばヨーロッパ特許
出願公開第０，３０４，２３２号参照）。
しかしながら、今日まで、軽油のセタン価をそのＩ．Ｒ．スペクトルから予測
することは不可能であった。
従って、本発明は、測定した（Ｎ．）Ｉ．Ｒ．スペクトル吸光度から炭化水素
製品の物理特性データを決定するために適用されるニューラルネットワークのデ
ータ処理及び最適化方法を提供する。本方法は、
ａ）広範なソースから多数の炭化水素製品試料集合の（Ｎ．）Ｉ．Ｒ．スペクト
ルを測定し；
ｂ）このようにして得られた（Ｎ．）Ｉ．Ｒ．スペクトルの上音（倍音）領域を
選択し；
ｃ）各（Ｎ．）Ｉ．Ｒ．スペクトルで幾つかの個別（discrete）波長を選択し、
幾つかの該波長を吸収データに変換し、該吸収データを、層数が２〜５であり、
層が３個以上の場合、入力層のノード数が３〜１０であり、隠れた層のノード数
が１〜１０であり、出力層のノード数が１〜３であることを特徴とするニューラ
ルネットワークへの入力と
して使用し；
ｄ）入力及び既知の出力即ち炭化水素製品に対する（近）赤外データ及びその関
連物理特性データの反復提示により全データセットに関して前記ニューラルネッ
トワークを訓練して両データの関係を学習し、訓練データのために標準的な方法
で測定される実際の関連物理特性データに対する予測性能を監視し、かくして吸
光度値を前記関連物理特性と相関させ；
ｅ）段階ｄ）の学習期間の後に調整されるような前記ネットワークの１組の相互
接続重量値及び偏倚値を生成し；
ｆ）ネットワークアルゴリズムを用いて、前記調整値を、未知の物理特性データ
を有する炭化水素製品について同一条件下で測定される（近）赤外スペクトルに
適用する段階からなることを特徴とする。
請求の範囲
１．測定した（Ｎ．）Ｉ．Ｒ．スペクトル吸光度から炭化水素製品の物理特性デ
ータを決定するために適用されるニューラルネットワークのデータ処理及び最適
化方法であって、
ａ）広範なソースから多数の炭化水素製品試料集合の（Ｎ．）Ｉ．Ｒ．スペクト
ルを測定し；
ｂ）このようにして得られた（Ｎ．）Ｉ．Ｒ．スペクトルの上音（倍音）領域を
選択し；
ｃ）各（Ｎ．）Ｉ．Ｒ．スペクトルで幾つかの個別波長を選択し、幾つかの該波
長を吸収データに変換し、該吸収データを、層数が２〜５であり、層が３個以上
の場合、入力層のノード数が３〜１０であり、隠れた層のノード数が１〜１０で
あり、出力層のノード数が１〜３であることを特徴とするニューラルネットワー
クへの入力として使用し；
ｄ）入力及び既知の出力即ち炭化水素製品に対する（近）赤外データ及びその関
連物理特性データの反復提示により全データセットに関して前記ニューラルネッ
トワークを訓練して両データの関係を学習し、訓練データのために標準的な方法
で測定される実際の関連物理特性データに対する
予測性能を監視し、かくして吸光度値を前記関連物理特性と相関させ；
ｅ）段階ｄ）の学習期間の後に調整されるような前記ネットワークの１組の相互
接続重量値及び偏倚値を生成し；
ｆ）ネットワークアルゴリズムを用いて、前記調整値を、未知の物理特性データ
を有する炭化水素製品について同一条件下で測定される（近）赤外スペクトルに
適用する段階からなることを特徴とする方法。
２．スペクトル範囲が０．７０〜３０μｍ波長であることを特徴とする請求項１
に記載の方法。
３．上音（倍音）領域が第２上音（倍音）領域であることを特徴とする請求項１
又は２に記載の方法。
４．（Ｎ．）Ｉ．Ｒ．スペクトルの領域が９００〜１３００ｎｍ（波長）に及ぶ
ことを特徴とする請求項２又は３に記載の方法。
５．選択した個別波長の数が、酸素化物のようなアルコールを含まないか又はセ
タン着火添加剤を含まない燃料で５であることを特徴とする請求項１から４のい
ずれか一項に記載の方法。
６．選択した個別波長の数が、酸素化物のようなアルコールを含むか又はセタン
着火向上添加剤を含む燃料で６であることを特徴とする請求項１から４のいずれ
か一項に記載の方法。
７．ネットワークが４個の入力ノードと、２個の隠れたノードと、１個の出力ノ
ード（（４，２，１）ネットワーク）を含むことを特徴とする請求項１から６の
いずれか一項に記載の方法。
８．ネットワークが（３，５，１）ネットワークであることを特徴とする請求項
１から６のいずれか一項に記載の方法。
９．ネットワークが（６，６，３）ネットワークであることを特徴とする請求項
１から６のいずれか一項に記載の方法。
１０．ネットワークが（６，６，６，３）ネットワークであることを特徴とする
請求項１から６のいずれか一項に記載の方法。
１１．物理特性がオクタン価又はセタン価であることを特徴とする請求項１から
１０のいずれか一項に記載の方法。
１２．物理特性が蒸気圧であることを特徴とする請求項１から１０のいずれか一
項に記載の方法。
１３．物理特性が密度であることを特徴とする請求項１から１０のいずれか一項
に記載の方法。
１４．炭化水素製品がガソリン又はディーゼル油であることを特徴とする請求項
１から１３のいずれか一項に記載の方法。[Procedure amendment] Patent Law Article 184-8 [Submission date] January 24, 1995 [Amendment content] Article 34 amendment The most important performance measurement of gasoline is octane number (O.N.). It is currently measured by a standard engine in refinery laboratories. This engine is a costly equipment part to install, requires frequent maintenance and calibration, and requires highly trained results processing and analysis staff. Due to labor and cost, it is not possible to install such an engine along the distribution chain, so there is a need to find a cheaper alternative octane number measurement method. A similar performance measure of diesel oil is the cetane number. This is an amount that represents the ignition characteristics of diesel oil. The engine exists for cetane oil measurement. The reference fuel is used similarly to the octane number measurement of automobile gasoline. These reference fuels are n-cetane and α-methylnaphthalene. Ignition quality is expressed as the cetane number (% by volume of cetane in the α-methylnaphthalene-containing blend whose ignition performance is comparable to that of the fuel of the test engine). In practice, the cetane engine is rarely used and cetane is usually calculated as the "cetane index" by other measurements (eg density and distillation). However, the cetane index is not suitable for future diesel fuels and alternative cetane number measurement methods are needed. In general, it has already been proposed to apply a neural network to determine the octane number of unleaded gasoline as a function of the near infrared (NIR) spectrum (Survey Report of July 1, 1991, 571). -See "Determination of fuel properties" on page 572). However, the octane number of a hydrocarbon product such as gasoline is thus I. R. There is room for improvement in predicting from the spectrum, thus providing an accurate method of predicting octane numbers for unknown gasoline (both leaded and unleaded) that can predict octane numbers for blended products and process streams with a wide range of octane numbers. It is an object of the present invention. For other physical properties of hydrocarbon products (eg vapor pressure, density and cetane number), prediction accuracy needs to be improved as well. Furthermore, it has already been proposed to determine the cetane number of gas oils as a function of the near-infrared (NIR) spectrum (see, for example, European Patent Application Publication No. 0,304,232). However, to date, the cetane number of gas oil has been reduced to the I. R. It was impossible to predict from the spectrum. Therefore, the present invention provides a measured (N.) I. R. A neural network data processing and optimization method applied to determine physical property data of hydrocarbon products from spectral absorbance is provided. The method comprises: a) (N.) I.V. of a large number of hydrocarbon product sample sets from a wide range of sources. R. The spectrum was measured; b) The (N.) I. R. Select the overtone (overtone) region of the spectrum; c) for each (N.) I. R. Select some discrete wavelengths in the spectrum, convert some of the wavelengths into absorption data, and then convert the absorption data into 2-5 layers, if there are 3 or more layers, the input layer Used as an input to a neural network characterized by having 3 to 10 nodes, 1 to 10 hidden layer nodes, and 1 to 3 output layer nodes; d) For the training data, the neural network is trained to learn the relationship between both data by iterative presentation of (near) infrared data and its associated physical property data for inputs and known outputs or hydrocarbon products. Monitoring the predictive performance against the actual relevant physical property data measured by standard methods, thus correlating the absorbance values with said relevant physical property; e) adjusted after the learning period of step d) Generating a set of interconnect weight and bias values for said network; f) using a network algorithm, said adjusted value is measured under the same conditions for a hydrocarbon product having unknown physical property data ( Near) infrared spectrum. Claims 1. The measured (N.) I. R. A neural network data processing and optimization method applied to determine physical property data of a hydrocarbon product from spectral absorbance, comprising: a) a (N.) I of a large number of hydrocarbon product sample sets from a wide variety of sources. ． R. The spectrum was measured; b) The (N.) I. R. Select the overtone (overtone) region of the spectrum; c) for each (N.) I. R. Select some individual wavelengths in the spectrum, convert some of those wavelengths to absorption data, and if the absorption data has 2 to 5 layers and 3 or more layers, the number of nodes in the input layer Is 3-10, the number of nodes in the hidden layer is 1-10, and the number of nodes in the output layer is 1-3, used as input to the neural network; d) input and known The output of, i.e., iterative presentation of (near) infrared data and its associated physical property data for hydrocarbon products, trains the neural network on the entire data set to learn the relationship between both data and Monitoring the predictive performance against the actual relevant physical property data measured by the method, thus correlating the absorbance value with said relevant physical property; e) said net as adjusted after the learning period of step d). Generate a set of interconnection weight values and bias values for the network; f) using a network algorithm, the adjusted value is measured under the same conditions for a hydrocarbon product having unknown physical property data (near) A method comprising applying to the infrared spectrum. 2. The method of claim 1, wherein the spectral range is 0.70 to 30 μm wavelength. 3. The method according to claim 1 or 2, wherein the overtone (overtone) region is the second overtone (overtone) region. 4. (N.) I. R. Method according to claim 2 or 3, characterized in that the region of the spectrum extends from 900 to 1300 nm (wavelength). 5. Method according to any one of claims 1 to 4, characterized in that the number of individual wavelengths selected is 5 for fuels without alcohols such as oxygenates or without cetane ignition additives. . 6. 5. A method according to any one of claims 1 to 4, characterized in that the number of individual wavelengths selected is 6 for fuels containing alcohols such as oxygenates or containing cetane ignition enhancing additives. 7. 7. The network according to claim 1, wherein the network includes four input nodes, two hidden nodes and one output node ((4,2,1) network). The method described. 8. 7. A method according to any one of claims 1 to 6, characterized in that the network is a (3,5,1) network. 9. 7. The method according to any one of claims 1 to 6, characterized in that the network is a (6,6,3) network. 10. 7. The method according to any one of claims 1 to 6, characterized in that the network is a (6, 6, 6, 3) network. 11. The method according to claim 1, wherein the physical property is octane number or cetane number. 12. The method according to any one of claims 1 to 10, characterized in that the physical property is vapor pressure. 13. A method according to any one of claims 1 to 10, characterized in that the physical property is density. 14. Process according to any one of claims 1 to 13, characterized in that the hydrocarbon product is gasoline or diesel oil.
─────────────────────────────────────────────────────
フロントページの続き
(81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ，
ＤＫ，ＥＳ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，Ｍ
Ｃ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ
，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ，ＳＮ，
ＴＤ，ＴＧ)，ＡＴ，ＡＵ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，
ＣＡ，ＣＨ，ＣＮ，ＣＺ，ＤＥ，ＤＫ，ＥＳ，ＦＩ，Ｇ
Ｂ，ＨＵ，ＪＰ，ＫＰ，ＫＲ，ＫＺ，ＬＫ，ＬＵ，ＬＶ
，ＭＧ，ＭＮ，ＭＷ，ＮＬ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，
ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＫ，ＵＡ，ＵＺ，ＶＮ
(72)発明者 ボイド，アンドリユー
イギリス国、チエシヤー・シー・エイチ・
１・３・エス・エイチ、チエスター、イン
ス、プール・レーン（番地なし)─────────────────────────────────────────────────── ───
Continued front page
(81) Designated countries EP (AT, BE, CH, DE,
DK, ES, FR, GB, GR, IE, IT, LU, M
C, NL, PT, SE), OA (BF, BJ, CF, CG
, CI, CM, GA, GN, ML, MR, NE, SN,
TD, TG), AT, AU, BB, BG, BR, BY,
CA, CH, CN, CZ, DE, DK, ES, FI, G
B, HU, JP, KP, KR, KZ, LK, LU, LV
, MG, MN, MW, NL, NO, NZ, PL, PT,
RO, RU, SD, SE, SK, UA, UZ, VN
(72) Inventor Boyd, Andrew
British Country, CHC
1.3 S.H., Chester, Inn
Su, Pool Lane (No street number)