PREDICTING SOOTING TENDENCY OF OXYGENATED FUEL USING MACHINE LEARNING. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF (Thesis) 3Final Modified PhD_Thesis.pdf Restricted to Repository staff only until 12 January 2026. Download (3MB)

Arabic Abstract

يتطلب تصميم الوقود المستهدف لتطبيقات احتراق محددة معرفة خصائص الوقود ، مثل مؤشرات اتجاه السخام على سبيل المثال : نقطة الدخان (SP (، ومؤشر إطالق العتبة (TSI (، ومؤشر األكسجين الممتد (OESi(. تُستخدم الخصائص الفيزيائية )مثل: الكثافة واللزوجة( ، والخصائص الحرارية الكيميائية )على سبيل المثال: نقطة الوميض وحرارة االحتراق( ، وخصائص االحتراق لدراسة ميالن الوقود نحو انتاج السخام . ومع ذلك ، في هذا العمل تمت فقط مناقشة مؤشرات اتجاه السخام (SP و TSI و . OES(وذلك بسبب أن هذه المؤشرات تؤثر بشكل كبير على صحة اإلنسان والبيئة. وبالنسبة لقياساتها يمكن معرفتها عن طريق معرفة كم مدى ميول الوقود اتجاه السخام ب تحديد نقطة دخان الوقود. ومع ذلك ، فمن الصعب أو من المستحيل في بعض األحيان إجراء قياس تجريبي لجميع خصائص الوقود المستهدف ؛ إلن بعضها يشكل خطورة على صحة اإلنسان أو يصعب التعامل معه. عالوة على ذلك ، يتطلب القياس التجريبي الدقيق لخصائص الوقود أجهزة متطورة وفنيين ذوي خبرة ، وهي مكلفة وتستغرق وقتًا طويالً تالي تقليل تكلفة . لذلك ، هناك حاجة لتطوير مناهج جديدة أو محسنة تتضمن نماذج رياضية للتنبؤ بخصائص الوقود ، وبال ووقت القياس التجريبي. نظ ًرا ألن هذه القياسات يتم إجراؤها في ظل الظروف واألدوات القياسية ؛ فإن القيم المقاسة توفر معلومات حول طبيعة الوقود يمكن ها أن ت ساعد في توقع خصائص الوقود مثل الميول اتجاه السخام ، وذلك من خالل توصيف التركيب ة الكيميائية للوقود باستخدام طرق معينة مثل المجموعات الوظيفية وأدوات التعلم اآللي ،.هناك الكثير من ادوات التعلم اآللي أو الذكاء االصطناعي على سبيل المثال ال الحصر: الشبكات العصب ونية االصطناعية((ANNs (التي يمكن أن تستخدم في تطوير نماذج جديدة بحيث تنشئ عالقات رياضية بين خصائص الوقود وتركيباتها. وبما أن الوقود يتكون من جزيئات مختلفة تتكون من مجموعات وظيفية ؛ فإن هذه المجموعات يمكن استخدامها في تحدي د خصائص الوقود مثل الميول في اتجاه السخام . يمكن تحديد هذه المجموعات وتحديد 1 كميتها باستخدام تقنيات محددة مثل التحليل الطيفي المغناطيسي النووي ((NMR-H ) الذي يمكن أن يستخدم كطريقة لتحديد كميات المجوعات الوظيفية للوقود. لذلك هناك عشرصفات : ثمان مجموعات وظيفية )بارافيني3CH ، بارافيني2CH ، ) O األثير ومجموعات ، OH كحول ، C-CH عطري ، CH = CH2أوليفيني ، CH-CH2نافثينيك ، CH بارافيني وصفتان يمثالن التركيب الجزيئي)الوزن الجزيئي( ومقدار التفرعات)مثل التفرع 3CH للمثيل ( تم استخدامها للتنبؤ بخصائص الوقود. لتطوير نماذج SP و TSI و OESi باستخدام التعلم اآللي أو أحد أدوات مبدأ الذكاء االصطناعي (ANN(، تم استخدام البيانات التجريبية لنقاط دخان الوقود والميزات العشر المذكورة أعاله كمخرج واحد وعشرة مدخالت على التوالي . أظهرت النتائج أن االرتباطات بين SP و TSI و OESi المقاسة والمتوقعة كانت ٪98 و ٪97 و ٪99.9 على التوالي. أيضا ، كان متوسط األخطاء المطلقة للقيم المتوقعة 4.5 و .2.5 أخي ًرا ، تم توصيف بعض خلطات الوقود والمواد الوقودية التي تحتوي األكسجين باستخدام تقنيات تحليلية مختلفة مثل :تقنية تحليل الكربون والهيدروجين والنيتروجين والكبريت (CHNS (، والتقنيات الطيفية )األشعة السينية المشتتة للطاقة (EDX (، والمسح اإللكتروني ب المجهر (SEM (، المجهر اإللكتروني عالي الدقة (TEM-HR (، مطياف RAMAN ، التحليل الحراري الوزني (TGA (، والرنين المغناطيسي النووي ((NMR (، وانحراف األشعة السينية(XRD)

English Abstract

Designing target fuels for specific combustion applications requires understanding various fuel properties, including sooting tendency indices such as Smoke Point (SP), Threshold Sooting Index (TSI), and Oxygen Extended Sooting Index (OESI), as well as physical, thermochemical, and combustion properties. Sooting tendencies are particularly crucial, given their significant environmental and health impacts. This study focuses on investigating the sooting tendency of oxygenated fuels. However, experimental measurement of sooting tendency is often challenging due to safety concerns or handling complexities of certain fuels. Moreover, accurate measurement demands costly and time-consuming instrumentation and skilled technicians. Hence, there's a need for novel or enhanced approaches integrating mathematical models to predict fuel sooting tendency, thus reducing experimental measurement costs and time. In this context, we measured the smoke points of various oxygenated fuels using an SP lamp apparatus. Subsequently, we employed functional groups and machine learning tools such as Artificial Neural Networks (ANNs) to develop innovative models establishing mathematical relationships between fuel sooting tendency and composition. Functional groups were identified and quantified using techniques like Nuclear Magnetic Spectroscopy (1H-NMR) to summarize fuel molecular information. These groups, along with features representing molecular structure (branching and molecular weight), were utilized to predict oxygenated fuel sooting tendencies. ANNs were utilized to develop models predicting SP, TSI, and xvii OESI of oxygenated fuels, incorporating one output (SP, TSI, or OESI) and ten inputs (paraffinic CH3, paraffinic CH2, paraffinic CH, naphthenic CH-CH2, olefinic -CH=CH2, aromatic C-CH, alcohol OH, ether O groups, molecular weight, and branching index). Additionally, density and ratios of oxygen to carbon and hydrogen to carbon were sometimes considered. The results demonstrated strong correlations between measured and predicted SP, TSI, and OESI, with values of 98%, 97%, and 96%, respectively. In conclusion, these models effectively predict oxygenated fuel sooting tendencies provided functional group information (paraffinic CH3, paraffinic CH2, paraffinic CH, naphthenic CH-CH2, olefinic -CH=CH2, aromatic C-CH, alcohol OH, and ether O groups), along with molecular weight and branching index, are available. Additionally, density and ratios of oxygen to carbon and hydrogen to carbon should sometimes be known. Finally, fuel-oxygenate blends were characterized using various analytical techniques, including Carbon, Hydrogen, Nitrogen, and Sulfur (CHNS) analysis, spectroscopic techniques (Energy Dispersive X-Ray (EDX), Scanning Electron Microscopy (SEM), High-Resolution Transmission Electron Microscopy (HR-TEM), RAMAN spectrometry, Thermogravimetric Analysis (TGA), and nuclear magnetic resonance (NMR)), and X-ray diffraction (XRD)

Item Type:	Thesis (PhD)
Subjects:	Chemical Engineering
Department:	College of Chemicals and Materials > Chemical Engineering
Committee Advisor:	Al-Mutairi, Eid
Committee Co-Advisor:	Abdul Jameel, Abdul Gani
Committee Members:	Onaizi, Sagheer and Abdur Razzak, Shaikh and Chanbasha, Basheer
Depositing User:	MOHAMMED QASEM (g200993710)
Date Deposited:	13 Jan 2025 13:11
Last Modified:	13 Jan 2025 13:11
URI:	http://eprints.kfupm.edu.sa/id/eprint/143250