整合FT-ICR MS和机器学习,预测整个沸切割的酸含量
Jussara V Roque1, Wilson J Cardoso1, Deborah V A de Aguiar1
1Laboratory of Chromatography and Mass Spectrometry, Institute of Chemistry, Federal University of Goiás, 74690-900 Goiânia, GO, Brazil.
这项研究使用机器学习和质谱学来准确预测原油蒸切片中的总酸数 (TAN). 这种先进的方法比传统测试需要更少的样本体积,提供高效的分子表征.
科学领域:
- 石油化学 石油化学
- 分析化学 分析化学
- 计算化学的计算化学
背景情况:
- 总酸度数 (TAN) 是描述原油酸度和腐蚀性的关键参数.
- 传统的TAN确定方法,如ASTM测试,可能耗时且需要大量的样本.
- 了解TAN分布的真沸点 (TBP) 分数对于精炼过程和资产完整性至关重要.
研究的目的:
- 开发和验证一种新的机器学习方法,用于预测TBP蒸切割中的TAN.
- 为了利用超高分辨率的里埃转换离子循环子质谱 (FT-ICR MS) 数据进行准确的TAN预测.
- 与传统技术相比,建立一个更高效,更少样本密集的TAN分析方法.
主要方法:
- 利用先进的机器学习算法,特别是部分最小平方 (PLS) 回归和有序预测器选择 (OPS).
- 采用超高分辨率里埃转换离子循环子质谱仪 (FT-ICR MS) 数据进行详细的化学成分分析.
- 分析了36个不同的原油样本,以构建和测试预测模型.
主要成果:
- 在TBP削减中实现了TAN分布的强大且高度准确的预测模型,通过低RMSEC和高Rc验证.
- 鉴定了含和含氧化合物作为TAN变异的关键贡献者,使用火山图片.
- 在预测和实际TAN值之间表现出很好的一致性,特别是在高TAN样品中.
结论:
- 开发的机器学习方法使用FT-ICR MS数据准确预测原油分量的TAN.
- 这种新的方法比传统的ASTM测试提供了显著的改进,需要更小的样本量.
- 该方法为高效分子表征和复杂石油混合物的行为预测提供了一个强大的工具.
更多相关视频
09:38Single-throughput Complementary High-resolution Analytical Techniques for Characterizing Complex Natural Organic Matter Mixtures
Published on: January 7, 2019
08:43PTR-ToF-MS Coupled with an Automated Sampling System and Tailored Data Analysis for Food Studies: Bioprocess Monitoring, Screening and Nose-space Analysis
Published on: May 11, 2017
相关概念视频
Inductively Coupled Plasma–Mass Spectrometry (ICP–MS): Overview
Inductively Coupled Plasma-Mass Spectrometry (ICP-MS): Interferences
Inductively Coupled Plasma Atomic Emission Spectroscopy: Principle
The ions and electrons produced interact with the fluctuating magnetic field created by a water-cooled...
