تعیین گروه‌های عاملی مؤثر بر شاخص گرانروی روغن موتور‌ها به وسیله‌ی روش ‌ FT-IR و برازش خطی چند متغیره بر پایه‌ی الگوریتم ژنتیک

نوع مقاله : علمی-پژوهشی

نویسندگان

دانشکده علوم پایه، دانشگاه تربیت مدرس، تهران، ایران

چکیده

روغن موتور­ها ویژگی­های فیزیکی و شیمیایی بسیاری دارند که از آن­ ها می­ توان به گرانروی، شاخص گرانروی، نقطه­ ی اشتعال، نقطه­ ی ریزش و غیره اشاره کرد. گرانروی یکی از مهم­ترین ویژگی­ های روغن بوده و عامل بسیار مهمی در روغن­های صنعتی به حساب می ­آید، زیرا تمام ویژگی­ های طراحی شده برای روغن ­های صنعتی به گرانروی آن­ ها ارجاع داده می­شود. تغییر گرانروی با دما با شاخص گرانروی اندازه ­گیری و بیان می­ شود و برای تشخیص نوع روغن، از این شاخص استفاده می­ شود. هر چه این  شاخص گرانروی بزرگ­ تر باشد نشان دهنده این است که گرانروی روغن نسبت به تغییرهای دما تغییر کم­ تری دارد. درنتیجه با توجه به اهمیت این شاخص در روغن­ های روان کننده، و با توجه به این­ که شاخص گرانروی در روغن موتور­ها تابعی از ترکیب شیمیایی روغن است، در این پژوهش، با استفاده از یک فناوری طیف سنجی ساده مثل فروسرخ تبدیل فوریه (FT-IR)، آنالیز روغن موتور­ها صورت گرفت، سپس به وسیله­ ی روش انتخاب متغیر الگوریتم ژنتیک، GA، عدد موج­ های مهم و تأثیر­گذار بر شاخص گرانروی روغن موتور­ها مشخص شد و معلوم شد ترکیب ­های دارنده­ی گروه­های عاملی آلکیل هالید، آلکن، نیترو، اسید، آلکان، آلکین و الکل بر شاخص گرانروی روغن موتور­ها تأثیر­گذار هستند. مدل سازی شاخص گرانروی روغن موتور­ها به کمک روش برازش خطی چند متغیره (MLR ) صورت گرفت. از روش­ های پیش پردازش گوناگونی مانند روش متمرکز کردن به میانگین و مقیاس گذاری پیش از روش ­های MLR وGA-MLR نیز استفاده شد. نتیجه­های به دست آمده از مدل ­سازی با پارامتر­های گوناگونی مانند ضریب برازش (R2 ) و ریشه­ ی دوم متوسط خطا­ها ( RMSE) سنجیده شد. مقدارهایR2 و RMSE به دست آمده با استفاده ازGA-MLR، به ترتیب 998/0و 954 /0  به دست آمدند

کلیدواژه‌ها

موضوعات

مراجع

[1] Souza L.M., Mitsutake H., Gontijio L., Neto W., Quantification of Residual Automotive Lubricant Oil as an Adulterant in Brazilian S-10 Diesel Using MIR Spectroscopy and PLS, Fuel, 130: 256-262(2014).
[2] Kreisberger G., Himmelsbach M., Buchberger W., Klampfl C.W., Identification and Semi-Quantitative Determination of Anti-Oxidants in Lubricants Employing Thin-Layer Chromatography Spray Mass Spectrometry, Journal of Chromatography A, 1383: 169-174 (2015).
[3] گودرزنیا, ایرج, سعیدی, عبدالرضا. بازیافت روغن موتور کارکرده به روش استخراج فوق بحرانی با کربن دی اکسید. نشریه شیمی و مهندسی شیمی ایران, (3)31: 39 تا 44 (1391).
[4] سعیدیان, میلاد, غضنفری, محمد حسین, مسیحی, محسن, خراط, ریاض. بررسی آزمایشگاهی اثر ویژگی های فیزیکی شکاف بر شکل گیری و توسعه انگشتی ها در مخازن نفت سنگین شکاف دار در شرایط تزریق امتزاجی. نشریه شیمی و مهندسی شیمی ایران, (4)30: 55 تا 65 (1390).
[5] Panchal T.M., Patel A., Chauhan D., Merlin T., Jigar V., A Methodological Review on Bio-Lubricants from Vegetable Oil Based Resources, Renewable and Sustainable Energy Reviews, 70: 65-70 (2017).
[6] Amer M.H., Gaberah A.S., Used Lubricating Oils Re-Fining by Solvent Extraction. American Journal of Environmental Engineering and Science, 1: 44-50 (2014).
[7] Ting C., Chen C.C., Viscosity and Working Efficiency Analysis of Soybean Oil Based Bio-Lubricants, Measurement, 44: 1337-1341 (2011).
[8] صمدی زاده, مرجانه, علیزاده, شیرین, کشاورز, شهریار. سنتز روی دی آلکیل دی تیو فسفات­ها به عنوان ماده افزودنی به روغن موتور و بررسی ویژگی­های آنتی اکسیدانی و ضد سایشی آن­ها، نشریه شیمی و مهندسی شیمی ایران، (4)36: 71 تا 76 (1396).
[9] Sejkorov́́a M., Application of FTIR Spectrometry Using Multivariate Analysis for prediction Fuel in Engine Oil, Acta Universitatis Agriculturae Et Silviculturae Mendelianae Brunensis, 65(3): 933-38 (2017).
[10]  Amat S., Braham Z., Dréau Y.L., Kister J., Dupuy N., Simulated Aging of Lubricant Oils by Chemometric Treatment of Infrared Spectra: Potential Antioxidant Properties of Sulfur Structures, Talanta, 107: 219-224 (2013).
[11] Al-Ghouti M.A., Al Degs Y.S., Amer M., Application of Chemometrics and FT-IR for Determination of Viscosity Index and Base Number of Motor Oils, Talanta, 81: 1096-1101 (2010).
[12] De Rivas B.L., Vivancos J.L., Mere J.O., Capuz-Rizo S.F., 2017. Determination of the Total Acid Number (TAN) of Used Mineral Oils in Aviation Engines by FTIR Using Regression Models, Chemometrics and Intelligent Laboratory Systems, 160: 32-39 (2017).
[13] Vrtiska D., Simack P., Prediction of HVO Content in HVO/Diesel Blends Using FTIR and Chemometric Methods, Fuel, 174: 225-234 (2016).
[14] Yousefinejad S., Hemmateenejad B., Chemometrics Tools in QSAR/QSPR Studies: A Historical Perspective, Chemometrics and Intelligent Laboratory Systems, 149: 177-204 (2015).
[15] Rebechi S.R., Velez M.A., Perotti M.C., Adulteration of Argentinean Milk Fats with Animal Fats: Detection by Fatty Acids Analysis and Multivariate Regression Techniques, Food Chemistry, 192- 1025-1032 (2016).
[16] Wang X., Sun Y., Wu L., Liu R., Liu L., Liu X., Xu J., Quantitative Structure-Affinity Relationship Study of Azo Dyes for Cellulose Fibers by Multiple Linear Regression and Artificial Neural Network, Chemometrics and Intelligent Laboratory Systems, 134: 1-9 (2014).
[17] Holland J.H., “Adaptation in Neural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence”, University of Michigan Press, (1975).
[18] کیا، م، الگوریتم ژنتیک در MAT LAB، انتشارات دانشگاهی کیان، ص، 129 (1394).
[19] McCall J., Genetic Algorithms for Modelling and Optimization, Computational and Applied Mathematics, 184: 205-222 (2005).
[20] Li L., Ustin L., Riano D., Retrieval of Fresh Leaf Fuel Moisture Content Using Genetic Algorithm Partial Least Squares (GA-PLS) Modeling, IEEE Geoscience and Remote Sensing Letters, 4: 216-220 (2007).

فایل ها

هم رسانی

ارجاع به این مقاله

آمار