Implementation Of AI In Smoke Point Prediction. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF RuaaAbakar_Thesis_ePrint.pdf - Submitted Version Restricted to Repository staff only until 31 January 2026. Download (3MB)

Arabic Abstract

يُشكّل احتراق الوقود الهيدروكربوني التقليدي تأثيرًا سلبيًا عميقًا على البيئة، وذلك بشكل أساسي بسبب انبعاث الجسيمات الدقيقة مثل السُّخام. ولمواجهة هذه التحديات، يستكشف هذا البحث استراتيجيات متقدمة لتحسين خصائص احتراق الوقود وتقليل انبعاثات الملوثات. وعلى وجه الخصوص، يفحص البحث تأثير إضافة المجموعات الوظيفية المؤكسَجة، مثل: الكحولات والإيثرات والكيتونات ،إلى خلطات الوقود المرجعي الأساسي من التولوين (TPRF) أظهرت النتائج التجريبية أن مزج الوقود مع المؤكسدات يؤدي بشكل كبير إلى رفع نقطة الدخان (SP)، مما يقلل من تكوُّن السُّخام ويعزز عمليات الاحتراق لوقود أنظف وأكثر كفاءة. كما يوفر هذا البحث مجموعة بيانات شاملة تتضمن 82 قياسًا جديدًا لنقطة الدخان لخلطات TPRF مع المؤكسدات، مما يبرز الدور الحيوي لهذه المؤكسدات في تحسين كفاءة الوقود وتعزيز الاستدامة البيئة. تستخدم الدراسة الحالية تقنيات متقدمة للذكاء الاصطناعي (AI) للتنبؤ بقيم نقطة الدخان (SP) لخليط الوقود المحتوي على الأكسجين بهدف تطوير منهجيات تصميم الوقود. حقق نموذج آلة الدعم المتجه (SVM) أداءً متفوقًا مقارنة بالتقنيات التقليدية الأخرى في تطوير واختبار إطار عمل التعلم الآلي عبر عدة نماذج، حيث بلغت قيمة معامل التحديد (R²) 0.98 وقيمة خطأ الجذر التربيعي المتوسط (RMSE) 0.84، ومتوسط الخطأ المطلق هو (MAE) 0.6 على مجموعة الاختبار. بالإضافة إلى ذلك، أظهر نموذج الشبكة العصبية الاصطناعية (ANN) دقة استثنائية في التنبؤ على مجموعة الاختبار، حيث بلغت قيمة معامل التحديد (R²) 0.97، وقيمة خطأ الجذر التربيعي المتوسط (RMSE) 0.23، ومتوسط الخطأ المطلق هو (MAE) 0.18. تتيح هذه النماذج الموثوقة إجراء تقييمات دقيقة لنقطة الدخان وإمكانية تقليل السخام المصاحب لها، مع الاستغناء عن الحاجة إلى الطرق التجريبية التي تستهلك وقتًا طويلاً. يفتح هذا النهج المجال أمام تقنيات احتراق أنظف وابتكارات وقود صديقة للبيئة من خلال الجمع بين التجارب التجريبية والنمذجة الحسابية المعتمدة على الذكاء الاصطناعي لتوفير طرق قابلة للتوسع وذات تكلفة معقولة للتنبؤ بخصائص الوقود المهمة.

English Abstract

The combustion of conventional hydrocarbon-based fuels exerts a profound adverse impact on the environment, primarily due to the emission of particulate matter such as soot. To mitigate these challenges, this study investigates advanced strategies for enhancing fuel combustion characteristics and curbing pollutant emissions. In particular, the research examines the effects of incorporating oxygenated functional groups—including alcohols, ethers, and ketones—into toluene primary reference fuel (TPRF) blends. Experimental results demonstrate that blending fuels with oxygenates significantly increases the smoke point (SP), which in return suppresses soot formation and promotes cleaner, more efficient combustion processes. A comprehensive dataset comprising 89 new SP measurements for TPRF with oxygenate highlights the pivotal role of oxygenates in reducing soot formation and enhancing fuel efficiency for advancing environmental sustainability. This work implements advanced artificial intelligence (AI) approaches to forecast smoke point (SP) values of oxygenated fuel blends in order to develop fuel design methodologies. With an R-squared value of 0.98 and a Root Mean Squared Error (RMSE) of 0.84 and Mean Absolute Error (MAE) of 0.6 on the test set, Support Vector Machine (SVM) outperformed the other six machine learning (ML) models techniques in the training and testing of the framework across accuracy and generalization. In addition, an artificial neural network (ANN) model demonstrated exceptional prediction accuracy on the test set, with an R-squared value of 0.97, RMSE of 0.23, and Mean Absolute Error (MAE) of 0.18. These trustworthy models eliminate the need for time-consuming experimental methods while enabling accurate evaluations of SP and the possibility for soot reduction that goes along with it. This approach opens the door for cleaner combustion techniques and environmentally sustainable fuels innovations by combining empirical experimentation with AI -driven computational modelling to give scalable and affordable ways for forecasting important fuel characteristics.

Item Type:	Thesis (Masters)
Subjects:	Chemistry Computer Chemical Engineering Research Research > Engineering
Department:	College of Chemicals and Materials > Chemical Engineering
Committee Advisor:	Abdul Jameel, Abdul Gani
Committee Members:	Farooq, Wasif and Zahid, Umer
Depositing User:	RUAA ABAKAR (g202210260)
Date Deposited:	09 Feb 2025 06:30
Last Modified:	09 Feb 2025 06:30
URI:	http://eprints.kfupm.edu.sa/id/eprint/143275