Predicting distillation properties of fuel blends using Machine Learning
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2021-12-13
Department
Major/Subject
Sustainable Energy Systems and Markets
Mcode
ELEC3048
Degree programme
Master's Programme in Advanced Energy Solutions
Language
en
Pages
88 + 28
Series
Abstract
Global CO2 emissions reached 33.5 Gt in 2019, and even though 2020 saw a reduction, the emissions are expected to grow in the future. In Europe, 25% of the emissions are caused by transport, with over half of the transmission emissions being from light-duty vehicles. Electric vehicles have been set forth as a solution to reduce these emissions. However, with electric vehicle market penetration still being low, other solutions must be sought for. Biofuels could be a possible solution as they can be used in existing vehicles as a substitute for fossil-based fuels. Regulations are in place, which compel fuels used in the EU to be partly from renewable feedstocks, with the share of renewable set to rise in the future. These renewable feedstocks are chemically very different to their fossil counterparts, requiring refineries to alter their blending strategies to comply with regulations on fuel specifications. New tools are required to predict the blending properties when these renewable components are used in gasoline blending. In this work Machine Learning was used to create a model to predict the distillation points of gasoline blends based on the blending recipe. Real refinery data was used in this work, together with blends created for R&D purposes. The values predicted in this work were evaporated volume at 70 and 100 °C (E70 and E100). Altogether 11 different machine learning models were tested in this work together with nine different pre-processing methods. The same methodology used in this study can be used to predict other distillation points if data for them becomes available. It was found that Support Vector Regression (SVR) was the most effective at predicting the distillation points. Especially well the SVR models performed in E70, where the performance of a linear model fell short. The models showed no dip in performance with oxygenated blends, whereas the linear model struggled. It was found that for higher distillation points exhibit less non-linear behaviour and therefore, less need for a complex non-linear model exists for points near the end of the distillation curve.Euroopassa 25 % päästöistä tulee liikenteestä, suurin osa henkilö- ja pakettiautoista. Sähköautojen ohella keino päästöjen vähentämiseen on biopolttoaineiden käyttö olemassa olevissa polttomoottoriautoissa. Euroopan Unionin alueella on voimassa biopolttoaineiden jakeluvelvoite ja tämän osuus tulee kasvamaan tulevaisuudessa. Monet näistä uusiutuvista polttoaineisiin lisättävistä komponenteista ovat kemiallisesti hyvin erilaisia verrattuna fossiilisiin komponentteihin. Tämän vuoksi jalostamoiden on muutettava polttoaineidensa sekoitusstrategiaa täyttääkseen polttoaineille asetetut laatuvaatimukset. Uusia työkaluja on kehitettävä ennustamaan polttoaineiden ominaisuuksia, kun näitä uusia biokomponentteja käytetään polttoaineiden sekoittamisessa. Tässä työssä kehitettiin koneoppimistyökalu ennustamaan bensiinin tislausominaisuuksia sekoitusreseptin perusteella. Työssä käytettiin öljynjalostamolta kerättyä dataa sekä tutkimuskäyttöön tehtyjä polttoainesekoituksia. Työssä kehitettiin työkalu ennustamaan haihtuneen näytteen määrä 70:ssä ja 100:ssa °C (E70 ja E100). Työssä testattiin 11:ta erilaista koneoppimisalgortimia ja yhdeksää erilaista datan esikäsittelymetodia. Mikäli muillekin tislauspisteille saadaan dataa, voidaan samaa metodologiaa hyödyntää myös niiden ennustamiseen. Tukivektorikoneregression todettiin olevan paras algoritmi kyseessä olevien tislauspisteiden ennustamiseen. Tukivektorikoneregressio oli erityisen hyvä ennustamaan E70:tä, verrattuna lineaariseen malliin. Lineaarinen malli ei kyennyt mallintamaan E70:tä tarkasti, etenkin hapettuneessa sekoituksissa sen tarkkuus oli todella heikko. Tukivektoriregressio sen sijaan, ennusti hapettuneita sekoituksia yhtä tarkasti kuin hapettumattomiakin sekoituksia. Työssä havaittiin, että korkeammissa tislauspisteissä epälineaarinen käyttäytyminen on vähäisempää, jonka vuoksi näissä tislauspisteissä on vähemmän tarvetta monimutkaiselle epälineaariselle mallille.Description
Supervisor
Santasalo-Aarnio, AnnukkaThesis advisor
Toldy, ArpadKeskiväli, Juha
Keywords
gasoline, machine learning, fuel blending, distillation