estado del arte de los modelos quimiométricos para...
TRANSCRIPT
Estado del Arte de los Modelos Quimiométricos
para Predicción de Propiedades Fisicoquímicas
del Turbo combustible
David Antonio Barros Ruiz
Químico Puro y candidato al título de ingeniero Químico, Correo electrónico: [email protected]
Gleydis Tatiana Viloria Pereira
Ingeniera Industrial y candidata al título de ingeniera Química, Correo electrónico: [email protected]
Universidad de San Buenaventura-Cartagena 2017
RESUMEN
Los Turbocombustibles tradicionalmente son analizados bajo metodologías estándar definidas por la American Society for Testing and
Materials (ASTM), los cuales requieren de personal preparado, infraestructura, equipos especializados y con frecuencia más tiempo del
requerido para realizar un control de procesos al instante para la toma de decisiones y ajustes en planta. Los avances en técnicas
computacionales usadas en la Quimiometría han hecho de esta una valiosa herramienta que complementa a la química analítica convencional
debido a su precisión y rapidez para arrojar resultados confiables. En ese sentido, se realizó una investigación del estado del arte en la
aplicación de análisis quimiométrico a la predicción de propiedades del Turbocombustible, empleando bases de datos y páginas de internet
oficiales. Entre las más estudiadas se encuentra la curva de destilación, la gravedad API, densidad, el punto de inflamación, el punto de
congelación, viscosidad y contenido de aromáticos. Las técnicas más utilizadas para la elaboración de los modelos de predicción son las de
espectroscopía Infrarroja, aunque también se ha usado la RAMAN y la cromatografía de Gases. Al sintetizar y analizar los métodos
resultantes de la investigación bibliográfica se determinó que los mejores resultados en términos de calidad de la predicción se obtuvieron
usando FTIR y PLS como método de correlación.
Palabras Claves: Quimiometría, análisis multivariable, Turbocombustible, Jet A1, PLS, espectroscopía.
ABSTRACT
Jet fuel is traditionally analyzed under standards defined by the American Society for Testing and Materials (ASTM), which requires trained
personal, infrastructure, specialized equipment and much more time than the one allowed to have industrial processes under control and plant
adjustments . The advances in computational techniques applied in chemometrics have turned it into a valuable tool that complements
conventional analytical chemistry due to its precision and ability to give fast reliable results. Under that frame this research on the state of the
art of chemometrics applied in the prediction of jet fuel properties was done on official databases and web pages. The most studied properties
are the distillation curve, API gravity, density, flash point, freeze point, viscosity and aromatic content. The majority of researches done so far
include spectroscopic techniques such as infrared to elaborate the prediction models, although RAMAN and gas chromatography are also
found. After summarizing and analyzing all de data from the research, it was determined that the best results are obtained using FTIR as spectra’s source along with PLS as correlation method.
Keywords: Chemometric, Multivariate, Jet fuel, Jet A1, PLS, Spectroscopy.
I. INTRODUCCIÓN
El petróleo crudo y sus fracciones son sustancias compuestas por una mezcla compleja de hidrocarburos con propiedades que
varían dependiendo del lugar de donde son extraídos. De la destilación del crudo se obtiene el queroseno, el cual es un
hidrocarburo con rango de ebullición entre 140 y 300°C y comercialmente, es el combustible para reactores más utilizado en la
industria de la aviación a nivel mundial [1].
Debido a los estrictos controles de seguridad en la industria de la aviación, todo el combustible empleado para este fin debe
estar debidamente caracterizado y cumplir con estrictas especificaciones exigidas por las autoridades aeronavales y
estandarizadas por entidades tales como la American Society for Testing and Materials (ASTM) de Estados Unidos [2] y el
Institute of Petroleum (IP) de Inglaterra [3]. Por ejemplo, en Colombia, el departamento de Comercio Internacional de las
refinerías emplea las especificaciones contenidas en la norma ASTM D1655, la cual establece los valores y métodos de ensayo
utilizados para certificación del producto [2].
Las metodologías estándar definidas por la ASTM requieren personal entrenado, una infraestructura que garantice las
condiciones, un sistema para aseguramiento de resultados y equipos especializados para ejecutar los diferentes ensayos de
acuerdo al estándar. Adicionalmente, el tiempo requerido para tener los resultados es superior a las ocho (8) horas, el cual
supera los requerimientos para el control de procesos donde necesita información al instante para tomar decisiones y realizar
ajustes en las unidades de las refinerías.
Por lo anterior, la química analítica ha desarrollado herramientas alternas que permitan agilizar el análisis de muestras. Entre
estas herramientas se encuentra la Quimiometría, la cual se define como la disciplina química que usa métodos matemáticos,
estadísticos y lógicos para extraer información valiosa de datos experimentales para optimizar procesos y/o productos [4]. Dada
la reducción en tiempo y costo de los análisis que ofrece, la Quimiometría ha tenido gran aceptación en los laboratorios de
diversas industrias como son la farmacéutica, alimenticia y en la petroquímica [5], [6], [7], [8], [9].
Las técnicas instrumentales de análisis vibracional emplean movimientos de vibraciones moleculares para obtener información
de las muestras. Entre estas tenemos la espectroscopía infrarroja (puede ser Cercana NIR, Mediana MIR, y Lejana Far-IR) y
Raman. La primera se basa en las vibraciones de los enlaces moleculares, donde puede haber movimientos de estiramiento,
doblado, rotaciones y combinaciones de bandas de vibraciones fundamentales, mientras que la segunda mide la diferencia de
frecuencia que experimenta un fotón al atravesar la muestra. Todas estas metodologías son reconocidas por ser no destructivas
de la muestra, en general no requieren preparación de la muestra y se obtienen los resultados desde segundos a unos pocos
minutos [10].
La aplicación de técnicas espectroscópicas junto con la quimiometría para predecir propiedades de combustible fue estudiado
por primera vez para el número de octano en gasolinas [11] y a partir de allí múltiples estudios han ampliado la cantidad de
propiedades predichas y el tipo de combustibles entre los que tenemos el petróleo crudo [12][13], [14], [15], ACPM [16], [17],
carbón [18], [19], [20], Biocombustibles [21], [22], Turbo combustible, Gas Natural [23], Entre otros [24], [25], [26].
El presente artículo tiene por objeto realizar una revisión bibliográfica acerca del estado del arte de los modelos quimiométricos
de análisis multivariado aplicables en la predicción de propiedades requeridas para el control de procesos del Turbo
combustible en una refinería en Cartagena, como son el punto de inflamación (ASTM-D93) [27] , rango de destilación (ASTM-
D86) [28], estabilidad a la oxidación (ASTM-D3241) [29] y punto de humo (ASTM-D1322) [30], todas necesarias para poder
mantener el producto dentro de especificaciones y evitar re-procesos para resolver problemas de calidad del mismo.
II. METODOLOGÍA
El desarrollo de este estudio se basa en la revisión y análisis de documentos que han desarrollado conocimiento y experiencia
relacionada a los modelos quimio métricos de análisis de las propiedades físico-químicas del turbo combustible empleados a
nivel nacional e internacional, se realiza la síntesis y correlación de lo encontrado.
Para la recopilación de la información se empleó la técnica del análisis documental, cuyo propósito, consiste en describir un
evento, situación, hecho o contexto y cuya fuente de datos está constituida por documentos científicos. Por tal motivo, en este
artículo fue necesario el acceso a las siguientes bases de datos; American Chemical Society (ACS), Science Direct, ELSEVIER,
Pubmed, páginas de internet oficiales [31]
Con especial importancia en las bases de datos de los licenciadores de tecnologías de análisis y desarrolladores de soluciones
aplicables a la industria de los hidrocarburos; con el objeto de consignarlos dentro un marco de referencia que permita a la
industria de refinación el análisis de ideas centrales para el mejoramiento de los procesos.
Para optimizar las búsquedas en las bases de datos se emplearon las palabras claves diseñando las ecuaciones para la búsqueda
de artículos, revisas, libros, patentes relacionadas al campo de investigación, estas pablas se seleccionan con el fin de limitar las
búsquedas al tema que se desea revisar.
Palabras Claves
Chemometric, petroleum analysis, Jet fuel, Kerosene, Multivariate, PLS (Parcial Least Squares)
((((chemometric) WN ALL) AND ((petroleum analysis) WN ALL)) AND ((jet fuel) WN ALL))))
((((chemometric) WN ALL) AND ((petroleum analysis) WN ALL)) AND ((kerosene) WN ALL))))
((((chemometric) WN ALL) AND ((petroleum analysis) WN ALL)) AND ((Multivariate) WN ALL))
AND ((kerosene) WN ALL))))
((((chemometric) WN ALL) AND ((petroleum analysis) WN ALL)) AND ((Multivariate) WN ALL))
AND ((kerosene) WN ALL)) AND ((PLS) WN ALL)))))
III. RESULTADOS Y DISCUSION
La Quimiometría es una disciplina útil para el análisis químico pues, con la automatización y la computarización, la recolección
e interpretación de datos se hace de formas ágil, permitiendo darle a la información un uso útil para la química y,
consecuentemente, optimizar el control de la calidad en laboratorio de los productos.
Por otra parte, las técnicas de análisis vibracional, permiten conocer la presencia de un compuesto específico o la composición
de las muestras. Estas seguidas de las herramientas matemáticas permiten realizar modelos útiles para predecir propiedades de
las muestras [10]. Alrededor de este tema, se han desarrollado variedad de propuestas de análisis a partir de las técnicas
vibracionales NIR, MIR, Far-IR y RAMAN o también por medio de Espectrometría de Transformada de Fourier, que se ha
venido popularizando en el mercado en la última década del siglo XX [10], [11], [12].
Lo anterior permite afirmar que la Quimiometría ha fijado nuevos rumbos a la química analítica y definido nuevas áreas de
investigación en tres aspectos relevantes: el diseño y la optimización de experimentos y el análisis descriptivo y predictivo [31].
Dentro del desarrollo de este artículo, se presenta un compendio de investigaciones de autores que han empleado las técnicas de
análisis, principalmente vibracional, con el propósito de predecir propiedades esenciales del Turbo combustible, Jet A1 o
queroseno, lo cual permitió realizar comparaciones entre una técnica y otra y finalmente generar conclusiones relacionadas a
técnicas aplicables en el control del Turbo combustible producido en una refinería de Cartagena.
En 1993 G.E. Fodor et al [32] aplicaron un método analítico basado en espectroscopia FTIR en la región media de una longitud
onda de 4000-650cm-1, en el cual a partir de la selección aleatoria de 300 muestras de Jet A y Jet A1 (8 muestras), JP5 (30
muestras), DF2 (42 muestras) y JP8 (31 muestras) y luego de un análisis por ASTM y la metodología de PLS se realizó una
validación cruzada [32], [33], determinando que existe una buena aproximación de los resultados predichos con aquellos
obtenidos de los análisis estándar. Para el estudio se tomaron las propiedades: contenido de hidrocarburos aromáticos, relación
carbono-hidrogeno, calor de combustión, índice de cetano, viscosidad y densidad como objeto de estudio y que otras
propiedades como punto de humo, punto de fluidez, número de octano a nivel secundario se modelarían con éxito.
La correlación de variables es un punto importante al momento de aplicar los métodos de regresión de variables, por esto se
consideran los siguientes argumentos para cualquier tipo de combustible [32]:
Alta gravedad especifica se relaciona a la cantidad de aromáticos o hidrocarburos naftenicos
Baja gravedad específica a hidrocarburos parafínicos.
El calor de combustión está influenciado por el estado de oxidación.
Existe un mayor índice de Cetano si aumentan las parafinas normales o Iso.
Al incrementar las concentraciones de aromáticos se disminuye el índice de Cetano y aumenta el número de octano
El punto de humo de un combustible disminuye si se incrementa del Iso a normal parafina y el contenido aromático del
combustible.
Zhanfeng [34], realizó una tesis doctoral investigando la aplicación de diversas técnicas para modelado en la predicción de tres
propiedades de Turbo combustible (Destilación, Punto de chispa, y punto de congelación) empleando NIR y Cromatografía de
Gases. El investigador encontró que los modelos obtenidos a partir del NIR, utilizando un Vector de Soporte de Matriz (SVM) o
aplicando “fuzzy rule-building expert system” (FURES) para realizar la clasificación de la muestra y luego aplicar el modelo,
arrojaba mejores resultados que utilizar análisis discriminante de mínimos cuadrados parciales óptimos (o PLS-DA).
En 1995 Garrigues et al modelaron siete (7) propiedades del Turbo combustible (Densidad, Punto de congelación, Punto de
chispa, % aromáticos, Punto de ebullición inicial y final, y viscosidad) empleando los espectros de muestras obtenidos de un
equipo infrarrojo con transformada de Fourier FT-MIR. A estos se les aplicó tres métodos para comparar sus capacidades de
predicción: Regresión lineal múltiple MLR, regresión de componentes principales PCR, y mínimos cuadrados parciales PLS.
Los investigadores encontraron que los modelos realizados con PLS predecían de mejor manera las propiedades al ser
comparados con los de MLR y PCR. De las propiedades utilizadas además se concluyó que, para el punto de congelación, la
destilación y el contenido de aromáticos se obtienen datos excelentes mientras que para las demás los valores son adecuados
para el control rápido de procesos [35].
En 2002, Gómez-Carracedo et al., Estudiaron la predicción de ocho propiedades fisicoquímicas del keroseno (curva de
destilación, % Aromáticos, punto de inflamación, punto de congelación, y viscosidad) empleando modelos multivariados sobre
espectrometría infrarrojo medio en fase de vapor. En su estudio utilizaron dos dispositivos diferentes para gasificar muestras de
keroseno para luego ser medidas en un equipo FT-MIR y realizar los modelos aplicando PLS. Al final los errores de predicción
de las propiedades fueron más bajos que la reproducibilidad y repetibilidad aceptada por las correspondientes normas ASTM,
salvo en el caso de la viscosidad lo cual podría deberse a que esta es una propiedad dependiente de la temperatura [36].
En 2005 Striebich et al., realizaron una correlación entre la cromatografía de gases de Turbo combustible con algunas de sus
propiedades requeridas por especificación, como son la curva de destilación, el punto de chispa, el punto de humo y el
contenido de azufre. Tradicionalmente los análisis de cromatografía de Gases están optimizados para realizar la mejor
separación de componentes (mayor resolución) pero esto afecta directamente el tiempo de análisis el cual puede aumentar hasta
4 horas. Los investigadores emplearon una metodología que realiza la cromatografía lo más rápido posible, y que además pueda
separar los picos que consideraron de interés. Es así como en 5 minutos realizan el análisis cromatográfico obteniendo
resultados de forma ágil. Los modelos mostraron una desviación de 7°C para el punto de congelación, 5°C para el punto de
inflamación y afirman que sus resultados de azufre son más precisos que los obtenidos normalmente por espectroscopía de
rayos X que es el análisis convencional. Al final los autores proponen que las muestras no sólo se podrían analizar por
cromatografía de gases, sino también utilizar HPLC para aumentar el número de propiedades que pueden ser predichas [37].
El laboratorio de Investigación Naval de los Estados Unidos, publicó un estudio de significancia como guía para evaluar y
prevenir resultados erróneos obtenidos a partir de modelos quimiométricos elaborados con un set de muestras pequeño y con
tres técnicas instrumentales diferentes (NIR, Cromatografía de Gases y Espectroscopía Raman), para la predicción de 22
propiedades del Jet A1. Encontraron que los modelos obtenidos con Espectroscopía NIR son estadísticamente más
significativos que aquellos obtenidos con Raman [38].
En 2011 Abdelkader et al, investigaron la transferencia de calibración entre dos espectrómetros NIR diferentes elaborada a
partir de 15 químicos puros y también a partir de 12 solventes para predecir propiedades del Turbo combustible (gravedad API,
% de Aromáticos, índice de Cetano, Densidad, rango de destilación, punto de chispa, punto de congelación, % de Hidrógeno, %
de Saturados y Viscosidad) empleando un método novedoso de Corrección Virtual Segmentada de Sesgo por Pendiente
Estándar (SVSSB), comparando los resultados con los obtenidos con aplicando la pendiente normal con corrección de sesgo y
con los de la Estandarización Directa pieza por pieza (PSD) utilizada convencionalmente. Encontraron que los errores RMS de
las predicciones del SVSSB fueron menores o similares a aquellos obtenidos con los métodos convencionales de corrección. Lo
valioso de estas investigaciones es que utilizan modelos transferidos de un equipo primario a otro, con la lectura de un set
pequeño de muestras (12 solventes o 15 químicos puros), lo que en el laboratorio redundaría en un ahorro significativo de
tiempo en caso de adquirir un nuevo equipo de medición pues tradicionalmente se haría el modelo desde el principio lo que
conlleva a obtener el espectro de cientos de muestras nuevamente. Las únicas propiedades que presentaron problemas por este
método fueron el punto de congelación y el punto de chispa, aunque si cumplieron con la reproducibilidad requerida por las
metodologías ASTM correspondientes [39], [40].
En 2011 Cooper et al , construyeron modelos para análisis de Jet Fuel empleando un equipo NIR portátil y así poder analizar los
combustibles In-Situ de manera rápida. Las propiedades predichas fueron gravedad API, % de Aromáticos, índice de Cetano,
Densidad, rango de destilación, punto de chispa, punto de congelación, % de Hidrógeno y % de Saturados. Calcularon la
reproducibilidad de las predicciones utilizando un set de muestras para verificación y lo compararon con la de la metodología
encontrando que las variables que presentan más fallas al ser modeladas son el punto de congelación, el 50% recobrado de la
destilación, la densidad y Gravedad API. A pesar de lo anterior las diferencias con respecto a la norma son mínimas por lo que
estos modelos pueden ser usados para el monitoreo rápido del combustible en la cadena de custodia [41].
En 2012 Wang et al., emplearon una unión de dos algoritmos (algoritmo genético GA y de estandarización directa DS) GA-DS
para transferir la calibración hecha en un equipo NIR a otro diferente sin tener que determinar el espectro a todas las muestras
con las que se elaboró el modelo en el primer equipo. El uso del GA se debió a que, si utilizaran la corrección con el DS
directamente, se produce sobre-corrección aumentando el error de las predicciones. Solamente realizó el ejercicio para la
Densidad de la muestra. Encontraron que la aplicación del GA aumentó ostensiblemente la calidad de los resultados obtenidos
casi comparables a los del equipo NIR primario [42].
Otros estudios se han orientado hacia la búsqueda de estrategias que permitan el control de calidad, y la seguridad del proceso
de producción del Turbo combustible empleando metodologías para la selección de las variables “esenciales” basados en
pruebas y algoritmos multivariados considerando la distancia generalizada de Garner et al, y la curtosis multivariable de
Mardia, para la búsqueda de valores atípicos en las mediciones de las variables; selección del número de componentes que
describen el keroseno, para luego seleccionar el mínimo de variables que mejor se ajusten y de allí determinar las esenciales,
para el control de calidad del proceso de producción. Para luego ser sometidas a un proceso de espectroscopia infrarroja (FTIR,
NIR, MIR, entre otros) y un modelo de regresión multivariable [33], [43], [44] [45].
La figura 1 ilustra el proceso de flujo para el desarrollar un modelo de correlación de propiedades de Espectroscopía FTIR
[33]:
Fig 1. Traducido de G.E. Fodor, R.A., Mason, S.A. Hutzler, "Estimation of middle distillate fuel properties by FT-IR". Applied Spectroscopy, 1999, vol. 53 (10), pp. 1292-1298 [33].
Otros estudios, para el control de la calidad en los procesos en el sector petroquímico, aplican la técnica de espectroscopia
Raman, que a pesar de ser más costosa que las metodologías NIR y MIR, se considera una técnica limpia, con un menor uso de
cantidad de muestra, que no requiere de productos químicos ni para limpieza de la muestra ni de compartimientos, no deja
residuos y durante su manipulación garantiza la protección del personal [46].
J.M. Andrade et al, en su estudio acerca de la predicción de algunas propiedades a elección a partir de la metodología Raman,
determinaron que las diferencias más notables entre las metodologías convencionales y la Raman estaban en que para la
segunda se obtuvieron tiempos de procesamiento de las muestras más rápidos, reproducibilidad mejorada, no es invasiva, ni
destructiva [46].
Por otro lado, en 2016, Brouillette et al., realizaron correlaciones utilizando la banda de 1000 a 1600nm obtenidas de un equipo
NIR portátil a muestras de Gasolina, Diesel y Jet A1 utilizando el Software LAB-VIEW (National Instruments, Austin Texas).
A este último se le evaluó la densidad, el % de aromáticos, % de Saturados, punto de inflamación, punto de fluidez, punto de
congelación y la curva de destilación. Los modelos para el punto de congelación arrojaron valores un poco más altos que la
reproducibilidad permitida por la norma, el resto de propiedades predichas se mantuvieron dentro de los límites dentro del
rango de calibración [47].
A. Metodologías FTIR y NIR
A partir de un análisis desarrollado en los Estados Unidos, en el cual, se extrajeron muestras en distintas estacionalidades del
año y de varias instalaciones militares alrededor del mundo [34]. Con el propósito de comparar los modelos de NIR y FTIR se
seleccionaron combustibles idénticos y ocho propiedades correlacionada con su respectiva ASTM: Densidad (ASTM D 4052),
Viscosidad cinemática, a 40 ° C (ASTM D 445), Índice de Cetano (ASTM D 613), Índice de Cetano (ASTM D 976), Índice de
Cetano (ASTM D 4737), Relación carbono-hidrógeno, Calor neto de combustión (ASTM D 240), Contenido total de
hidrocarburos aromáticos (ASTM D 5186) [48].
Del análisis se obtuvo que FTIR necesitó un mayor número de factores (F), no obstante, los valores del error estándar de
predicción por validación cruzada (SEP(CV)) y el cuadrado del coeficiente de correlación múltiple (R2) fueron más favorables
que para NIR. Aun cuando el calor de combustión presenta una mayor precisión en con el método NIR, para las propiedades
restantes evaluadas, sus resultados de FTIR resultan más precisos [48].
B. Metodologías NIR y MIR
En el estudio realizado por otros autores con el objetivo de evaluar los resultados de la Espectroscopia NIR y MIR a fin de
determinar las temperaturas de destilación del queroseno en diferentes porcentajes de recuperación, se compararon los valores
de intensidad promedio, desviación estándar y el porcentaje RSD de 20 muestras de keroseno bajo distintos rangos de
longitudes de onda [49]. De allí se concluye que para las muestras analizadas que NIR tiene mejor rendimiento de calibración
que MIR, aun cuando MIR propone información espectral más amplia y con mejor resolución.
C. Resumen comparativo de los resultados para cada una de las investigaciones
En la tabla I se presenta un resumen de las investigaciones revisadas durante el desarrollo del presente artículo, con el propósito
de mostrar las propiedades físico químicas de interés de predicción para el turbo combustible y los valores obtenidos luego de
aplicar las técnicas descritas. Este resumen facilita el rastreo de las técnicas aplicadas en cada investigación y la comparación
para cada uno caso los presentados. Como se puede apreciar no es posible hacer comparaciones sencillas y directas entre los
modelos hallados pues cada autor utiliza su criterio para evaluar los resultados obtenidos por sus modelos. A pesar de lo
anterior se sintetizó toda la información disponible y se incluyó qué criterio empleó el autor.
Tabla I. Resumen comparativo de resultados de investigaciones para la predicción de propiedades del Turbocombustible.
D. Análisis de la Literatura- Método analítico empleado en la recolección de datos
Como se aprecia en la Fig 2. 1 Los métodos más usados en las investigaciones son los derivados de la espectroscopía Infra-roja,
siendo el NIR el más popular seguido del MIR. Esto puede deberse a las ventajas que presentan estos descritas anteriormente
como son bajos tiempos de análisis y no requieren preparación de la muestra además de ser instrumentos que se encuentran con
mucha frecuencia en los laboratorios de análisis de hidrocarburos. En el Caso de la Fluorescencia sincrónica (SFS) su
aplicación es muy limitada pues se enfoca básicamente en la presencia de compuestos aromáticos, siendo prácticamente
invisibles para el los alifáticos.
Fig. 2 Método analítico empleado para la recolección de información sobre las muestras en los artículos analizados para la predicción de propiedades del Turbo
combustible.
E. Técnica de análisis multivariado
De acuerdo a la Fig. 3 se encontró que la técnica más popular para realizar la regresión y posterior predicción de las
propiedades del Turbocombustible es el PLS además de ser la que arroja mejores resultados cuando fue comparada con PCR y
MLR. Las últimas tendencias en la materia apuntan hacia el uso de modelos no lineales los cuales son variaciones del PLS así
como también el uso de redes neuronales artificiales entre otros.
Fig. 3 Técnica de correlación para generar los modelos multivariados.
0
2
4
6
8
10
12
NIR MIR RAMAN GC SFS LC-1HNMR
Nú
mer
o d
e ar
tícu
los
0
2
4
6
8
10
12
14
16
18
PLS PCR MLR OTROS
Nú
mer
o d
e ar
tícu
los
IV. CONCLUSIONES
En la actualidad se están aplicando las técnicas anteriormente descritas sobretodo en el desarrollo del campo militar, que, en
conjunto con metodologías matemáticas, permiten la predicción de propiedades físico químicas del Turbocombustible con buen
grado de precisión a menor costo y tiempos menores en comparación con los métodos clásicos o convencionales.
Una vez realizada la revisión bibliográfica se concluye que es viable realizar el control de proceso del Turbocombustible en una
refinería de Cartagena empleando métodos Quimiométricos de análisis aplicados a técnicas espectroscópicas para la mayoría de
las propiedades requeridas.
Teniendo en cuenta los resultados obtenidos por los investigadores, se propone el uso del FT-MIR en compañía del PLS los
cuales fueron los que obtuvieron mejores correlaciones, así como también menores errores de predicción. También se podría
emplear el accesorio de Reflactancia Total Atenuada (ATR) [51] el cual bajó aún más el error de predicción y aplicando los
lineamientos de Kramer et al. [38]se pueden validar las predicciones halladas.
La mayor parte de las investigaciones se enfocan en el punto de inflamación (ASTM-D93) y el rango de destilación (ASTM-
D86) de los que se encuentra extensa documentación de modelos realizados a la fecha, mientras que para la estabilidad a la
oxidación (ASTM-D3241) y punto de humo (ASTM-D1322) no se encontró precedentes, aunque del primero Jhonson et al
[53], hicieron algo similar, pero en combustible Diesel, y el segundo fue propuesto por Fodor et al [32] pero a la fecha no ha
sido realizado.
Al sintetizar y analizar los métodos resultantes de la investigación bibliográfica se determinó que los mejores resultados en
términos de calidad de la predicción se obtuvieron usando FTIR y PLS como método de correlación.
La implementación de estos modelos en una refinería, sería de gran utilidad en el control de calidad pues además de reducir el
tiempo de respuesta en el reporte de datos, mejoraría la toma de decisiones en la operación para mantener los productos dentro
de especificaciones.
V. REFERENCIAS
[1] J.P. Wauquier, “Composición de los petróleos crudos y de los productos petrolíferos”, in El Refino del petróleo, Ed. Paris:
Technip, 1994, pp. 1-2.
[2] Standard specification for aviation turbine fuels, ASTM D1655, 2016.
[3] The Institute of Petroleum (IP), Standards Store. 2017. Tomado de global.ihs.com.
[4] F. Marini, “Chemometrics”, in Encyclopedia of Food and Health, B. Caballero, P.M. Finglas y F. Toldrá, Ed. In chief, The
Boulevard, Langford Lane, Kidlington, Oxford, 2016, pp.1.
[5] J.M. Amigo Rubio, J. Cruz, M. Bautista, S. Maspoch, J. Coello, M. Blanco; “Study of pharmaceutical samples by NIR
chemical-image and multivariate analysis”, TRAC - Trends in Analytical Chemistry, 2008, vol.27 (8), pp. 696-713
[6] A. Iwaniak , P. Minkiewicz, M. Darewicz, M. Protasiewicz, D. Mogut, “Chemometrics and cheminformatics in the analysis
of biologically active peptides from food sources”, [online] Elsevier, 2015. Disponible en:
http://www.sciencedirect.com/science/article/pii/S175646461500211X
[7] R. Olawoyin, B. Heidrich, S. Oyewole, O.T. Okareh, C.W. McGlothlin, “Chemometric analysis of ecological toxicants in
petrochemical and industrial environments”, Chemosphere,2014, Vol. 112, pp.114-119
[8] S. Fakayode, B. Mitchell, D. pollard, “Determination of boiling point of petrochemicals by gas chromatography–mass
spectrometry and multivariate regression analysis of structural activity relationship”, Talanta, 2014, Vol. 126, pp. 151-156.
[9] N.Brun, P. Bourson, S. Margueron, “Quantification of rubber in high impact polystyrene by Raman spectroscopy.
Comparison of a band fitting method and chemometrics”, Vibrational Spectroscopy, 2013, Vol. 67, pp. 55-60.
[10] C.A. Teixeira, R.N.M.J. Páscoa, J. A. Lopes, “A review on the application of vibrational spectroscopy in the wine industry:
from soil to bottle”, TRAC - Trends in Analytical Chemistry, 2016. Disponible en:
http://www.sciencedirect.com/science/article/pii/S0165993616301674?via%3Dihub
[11] J.J. Kelly, C.H. Barlow, T.M. Jinguji, J.B. Callis. ‘‘Prediction of Gasoline Octane Numbers from Near-Infrared Spectral
Features in the Range of 660-1215 nm’’. Anal. Chem. 1989. Vol. 61, pp. 313–320.
[12] A. Muller, R. Picoloto , R. Guimaraes , R. Guarnieri , B. Ferreira , J.M. Dias et al., "Determination of Basic Nitrogen in
Residues of Crude Oil Distillation Using ATR-FTIR and Chemometric Methods". Analytical Letters, 2013, vol. 46, pp. 2879–
2889.
[13] L. Jingyan, C. Xiaoli, T. Songbai, L.Wanzhen, "Research on the determination of crude oil density by mid-infrared
spectroscopy rapidly". Petroleum Processing and Petrochemicals, 2011, vol. 42 (12), pp. 73-77.
[14] Johan E. Carlson, Andreas Linge Tomren, Kjetil Folgerø, Tanja Barth. "Estimation of dielectric properties of crude oils
based on IR spectroscopy". Chemometrics and Intelligent Laboratory Systems, 2014, vol. 139, pp. 1–5.
[15] Pu, C., Jian, S., Fenghua, Z., Junjuan, C. "Development and industrial application of rapid crude oil evaluation system by
NIR". Petroleum Processing and Petrochemicals, 2014, vol. 45 (8), pp. 97-101.
[16] C. Costa, M. Machado, P. Sanches, "Spectrophotometric and Chemometric Determination of the ASTM Color of
Automotive Diesel", Energy & Fuels, 2009, vol. 23, pp. 2136–2142.
[17] M. Al-Ghouti, Y. Al-Degs, F. Mustafa, "Determination of hydrogen content, gross heat of combustion, and net heat of
combustion of diesel fuel using FTIR spectroscopy and multivariate calibration", Fuel, 2010, vol. 89 (1), pp. 193-201.
[18] M.T. Bona, J.M. Andres, "Reflection and transmission mid-infrared spectroscopy for rapid determination of coal properties
by multivariate analysis". Talanta, 2008, vol. 74, pp. 998–1007.
[19] C. Alciaturi, M. Escobar, C. De La Cruz, C. Rincon, "Partial least squares (PLS) regression and Its application to coal
analysis", Revista Tecnica de la Facultad de Ingeniería Universidad del Zulia, 2003, vol. 26 (3), pp. 197-204.
[20] P. Solomon, R. Carangelo. "FTIR analaysis of coal. I. Techniques and determination of hydroxyl concentrations". Fuel,
1982, Vol 61, pp. 663-669.
[21] I. Soares, T. Rezende, R. Pereira, C. dos Santos, I. Fortes, "Determination of Biodiesel Adulteration with Raw Vegetable
Oil from ATR-FTIR Data using Chemometric Tools". J. Braz. Chem. Soc., 2011, Vol. 22, No. 7, pp. 1229-1235.
[22] M. Bampi, A. Scheer, F. de Castilhos, "Application of near infrared spectroscopy to predict the average droplet size and
water content in biodiesel emulsions". Fuel, 2013, vol.113, pp. 546–552.
[23] V. Jangale , A. Saveliev, S. Zelepouga, V. Gnatenko, J.M. Pratapas, "Heating value sensor for producer gas". American
Society of Mechanical Engineers, Internal Combustion Engine Division (Publication) ICE, 2011, pp. 817-822.
[24] B. Borille, M. Alexandre, R. Scorsatto, K. de Cassia, M. Flores, R. Limberger, “Near infrared spectroscopy combined with
chemometrics for growth stage classification of cannabis cultivated in a greenhouse from seized seeds”, Spectrochimica Acta
Part A: Molecular and Biomolecular Spectroscopy, 2017, Vol. 173, pp. 318-323.
[25] P. Hopke, “Chemometrics applied to environmental systems”, Chemometrics and Intelligent Laboratory Systems, 2015,
Vol. 149 Part B, pp. 205-214.
[26] R. Risoluti, S. Materazzi, A. Gregori, L. Ripani, “Early detection of emerging street drugs by near infrared spectroscopy
and chemometrics”, Talanta, 2016, Vol.153, pp. 407-413
[27] Standard Test Methods for Flash Point by Pensky-Martens Closed Cup Tester, ASTM D93, 2016.
[28] Standard Test Method for Distillation of Petroleum Products and Liquid Fuels at Atmospheric Pressure, ASTM D86,
2017.
[29] Standard Test Method for Thermal Oxidation Stability of Aviation Turbine Fuels, ASTM D3241, 2016.
[30] Standard Test Method for Smoke Point of Kerosine and Aviation Turbine Fuel, ASTM D1322, 2015.
[31] Olivier A. C & Rivas G. A. Química del Siglo XXI, tomado de chemometry.com
[32] G. E. Fodor, K. B. Kohl. "Analysis of Middle Distillate Fuels by Midband Infrared Spectroscopy". Energy & Fuels, 1993,
vol.7, pp. 598-601.
[33] G.E. Fodor, R.A., Mason, S.A. Hutzler, "Estimation of middle distillate fuel properties by FT-IR". Applied Spectroscopy,
1999, vol. 53 (10), pp. 1292-1298.
[34] ZHANFENG, XU. Prediction and Classification of Physical Properties by Near-Infrared Spectroscopy and Baseline
Correction of Gas Chromatography Mass Spectrometry Data of Jet Fuels by Using Chemometric Algorithms. PhD Dissertation,
2012.
[35] S. Garrigues, J.M. Andrade, M. de La Guardia, D. Prada, "Multivariate calibrations in Fourier transform infrared
spectrometry for prediction of kerosene properties". Analytica Chimica Acta, 1995, vol. 317 (1-3), pp. 95-105.
[36] M.P Gómez-Carracedo, J.M Andrade, M Calviño, E Fernández, D Prada, S Muniategui. "Multivariate prediction of eight
kerosene properties employing vapour-phase mid-infrared spectrometry". Fuel, 2003, Vol. 82, Issue 10, pp. 1211–1218.
[37] R. C. Striebich, M. A. Motsinger, M. E. Rauch, S. Zabarnick, M. Dewitt. "Estimation of Select Specification Tests for
Aviation Turbine Fuels Using Fast Gas Chromatography (GC)", Energy & Fuels, 2005, vol. 19, pp. 2445-2454.
[38] K. Kramer, R. Morris, S. Rose Pehrsson, J. Cramer, K. J. Johnson. "Statistical Significance Testing as a Guide to Partial
Least-Squares (PLS) Modeling of Nonideal Data Sets for Fuel Property Predictions", Energy & Fuels ,2008, vol. 22, pp. 523–
534.
[39] J.B. Cooper, C.M. Larkin, M.F. Abdelkader, "Virtual standard slope and bias calibration transfer of partial least squares jet
fuel property models to multiple near infrared spectroscopy instruments”, Journal of Near Infrared Spectroscopy, 2011, vol. 19
(2), pp. 139-150.
[40] M. Abdelkader, J. Cooper, C. M. Larkin. "Calibration transfer of partial least squares jet fuel property models using a
segmented virtual standards slope-bias correction method", Chemometrics and Intelligent Laboratory Systems, 2012, vol.110,
pp. 64–73.
[41] Cooper J.B., Larkin C.M., Schmitiga J., Morris R.E., & Abdelkader M.F. "Rapid analysis of jet fuel using a handheld near-
infrared (NIR) analyzer", Applied Spectroscopy, 2011, vol. 65 (2), pp. 187-192.
[42] J.-X. Wang, J. Qu, H. Li, X. Han, G. Xu. "Application of GA-DS to Calibration Transfer of Aviation Fuel Density in Near
Infrared Spectroscopy". Petroleum Science and Technology, 2012, vol. 30, pp.1975–1980.
[43] J.M. Andrade, S. Muniategui, P. López-Mahia, D. Prada, "Use of multivariate techniques in quality control of kerosene
production". Fuel, 1997, vol. 76 (1), pp. 51-59.
[44] F. C. Garner, M. A. Stapanian, K. E. Fitzgerald, “Finding causes of outliers in multivariate environmental data”, Jornal of
Chemometrics, 1991, Vol. 5, Issue 3, pp. 241–248
[45] M.A. Stapanian, P. M. Kocovsky, F.C. Garner, “Application of two test of multivariate discordancy to fisheries data sets”,
Environmental Biology of Fishes, 2008, vol. 82, issue 4, pp. 325-339.
[46] J.M. Andrade, S. Garrigues, M. de la Guardia, M. Gómez-Carracedo, D. Prada. "Non-destructive and clean prediction of
aviation fuel characteristics through Fourier transform-Raman spectroscopy and multivariate calibration". Analytica Chimica
Acta, 2003, vol. 482, pp. 115–128.
[47] C. Brouillette, W. Smith, C. Shende, Z. Gladding, S.Farquharson, R.E. Morris, J.A. Cramer, J. Schmitigal, “Analysis of
Twenty-Two Performance Properties of Diesel, Gasoline, and Jet Fuels Using a Field-Portable Near-Infrared (NIR)
Analyzer”,Appl Spectrosc, 2016 , vol. 70(5), pp. 746-55.
[48] C. Pasquini, “Near Infrared Spectroscopy: fundamentals, practical aspects and analytical applications”, J. Braz. Chem. Soc,
2003, vol.14 no.2.
[49] H. Chung, M.S. Ku, J.S. Lee. "Comparison of near-infrared and mid-infrared spectroscopy for the determination of
distillation property of kerosene". Vibrational Spectroscopy, 1999, vol. 20, pp. 155–163.
[50] M.P. Gomez-Carracedo, J.M. Andrad, M.A. Calvno, D. Prada, E. Fernandez, S. Muniategui. "Generation and mid-IR
measurement of a gas-phase to predict security parameters of aviation jet fuel". Talanta, 2003, vol. 60, pp.1051-1062.
[51] M.P. Gomez-Carracedo, J.M. Andrade, D.N. Rutledge, N.M. Faber. "Selecting the optimum number of partial least squares
components for the calibration of attenuated total reflectance-mid-infrared spectra of undesigned kerosene samples". Analytica
Chimica Acta, 2007, vol. 585, pp.253–265.
[52] N. Zanier-Szydlowski, A. Quignard, F. Baco, H. Biguerd, L. Carpot, F. Wahl. "Control of Refining Processes on Mid-
Distillates by Near Infrared Spectroscopy". Oil & Gas Science and Technology – Rev. IFP, 1999, Vol. 54, No. 4, pp. 463-472.
[53] K. J. Johnson, S. L. Rose-Pehrsson, R. E. Morris,” Monitoring Diesel Fuel Degradation by Gas Chromatography-Mass
Spectroscopy and Chemometric Analysis”, Energy & Fuels, 2004, vol. 18, pp. 844-850.
[53] J. A Cramer R. E Morris.,. S. L, Rose-Pehrsson “Use of Genetic Algorithms To Improve Partial Least Squares Fuel
Property andSynthetic Fuel Modeling from Near-Infrared Spectra”, , Energy & Fuels, 2010 vol. 24, pp. 5560-5572.
[54] W. Smith, S. Farquharson, “A portable fuel analyzer”, Advanced Environmental, Chemical, and Biological Sensing
Technologies IV, 2006, vol. 6377 pp. 1605.
[55] O. Divya, A. K. Mishra, “Combining synchronous fluorescence spectroscopy with multivariate methods for the analysis of
petrol–kerosene mixtures”, Talanta 2006, vol. 9 pp.32
[56] Dr. M. Swann, “The Prediction of Middle Distillate Fuel Properties Using Liquid Chromatography-Proton Nuclear
Magnetic Resonance Spectroscopy Data”,Technical Report, 1989.