Predicting Physical Properties (Density and Surface Tension) for Oxygenated Fuel Blends using Artificial Neural Networks. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Thesis) Nourhan Salem CHE Department.pdf - Accepted Version Restricted to Repository staff only until 16 February 2026. Download (26MB)

Arabic Abstract

عنوان الرسالة: تنبؤ الخصائص الفيزيائية (الكثافة والتوتر السطحي) لخلائط الوقود المؤكسدة باستخدام الشبكات العصبية الاصطناعية التخصص: الهندسة الكيميائية تاريخ الدرجة العلمية: ديسمبر ٢٠٢٤ تعتبر التوتر السطحي والكثافة من الخصائص الفيزيائية الأساسية التي تؤثر بشكل كبير على أداء الوقود، بما في ذلك تشكيل القطرات، ديناميكيات الرذاذ، الذرّة، كفاءة الاحتراق، وتقليل الانبعاثات. تهدف هذه الدراسة إلى التنبؤ بهذه الخصائص للخلائط الوقودية المؤكسجة التي تحتوي على الكحولات والإيثرات باستخدام نماذج تعلم الآلة المتقدمة، تحديدًا نموذج XGBoost المُنفذ باستخدام لغة Python وشبكات الأعصاب الاصطناعية (ANNs) المطورة باستخدام MATLAB. تم استخدام مجموعة بيانات شاملة تحتوي على 241 عينة، بما في ذلك واصفات جزيئية لـ 189 مركبًا نقيًا و52 مزيجًا وقوديًا. شملت الميزات الرئيسية المستخدمة مجموعات وظيفية، الوزن الجزيئي، ومؤشر التفرع، مع استهداف التوتر السطحي والكثافة كمتغيرات أساسية. تم استخدام تقنيات تعزيز البيانات، مثل الضوضاء الغاوسية والتكرار، لتعزيز استقرار النماذج، بينما ساهم تحليل الارتباط والتحجيم في تحسين أداء النماذج. تفوق نموذج XGBoost على نموذج الشبكات العصبية في التنبؤ بكل من التوتر السطحي والكثافة، حيث حقق قيم R² بلغت 0.9946 و0.9873 على بيانات الاختبار للتوتر السطحي والكثافة على التوالي، مع انخفاض كبير في قيم الخطأ المطلق المتوسط (MAE) والجذر التربيعي للخطأ المتوسط (RMSE). أظهرت كلا النموذجين قدرات تنبؤية قوية، مع تفوق نموذج XGBoost من حيث التعميم والدقة. تؤكد هذه الدراسة على فعالية استخدام تقنيات تعلم الآلة في التنبؤ الدقيق بالخصائص الفيزيائية للخلائط الوقودية المعقدة، مما يسهم في تحسين صيغ الوقود، تعزيز كفاءة الاحتراق، ودفع التقدم نحو حلول طاقة مستدامة.

English Abstract

Full Name : Nourhan Ahmed Said Kotb Salem Thesis Title : [Predicating Physical Properties (Density and Surface Tension) for Oxygenated Fuel Blends Using Artificial Neural Networks ] Major Field : [Chemical Engineering ] Date of Degree : [December 2024] Two important physical properties affecting fuel performance, such as droplet formation, spray characterization, mechanical properties, atomization, combustion efficiency, and emissions reduction, are surface tension and density. To do so, this study experimentally tests these properties for oxygenated fuel blends composed of various alcohols and ethers and predicts these using state-of-the-art machine learning models, namely, XGBoost in Python and Artificial Neural Networks (ANNs) programmed in MATLAB. A full dataset of 241 samples covering functional groups for 189 pure components and 52 fuel blends was employed. The important input CDK features were functional groups, molecular weight, branching index, and surface tension; density were used as target variables. We used data augmentation techniques like Gaussian noise and bootstrapping for improved robustness of the models and also did feature-scaling and correlation analysis for optimized model performance. This means that although the ANN performed well, the XGBoost model performed even better, achieving R² of 0.9946 and 0.9873 for surface tension and density, respectively, on the testing dataset. In addition, it also had significantly lower RMSE and MAE metrics. However, although the performance of both models was reasonably accurate for prediction, XGBoost showed a clear advantage over DNNs in generalization and accuracy. This study shows machine-learning methods that yield predictive models for accurate estimates of physical properties of complex fuel blends, forming the basis for optimizing fuel blends to achive maximum combustion efficiency and to maintain further sustainable energy developments.

Item Type:	Thesis (Masters)
Subjects:	Chemical Engineering
Department:	College of Chemicals and Materials > Chemical Engineering
Committee Advisor:	Abdul Jameel, Abdul Gani
Committee Members:	Ahmed, Usama and Al-khater, Mohammed
Depositing User:	NOURHAN SALEM (g202211240)
Date Deposited:	16 Feb 2025 11:04
Last Modified:	16 Feb 2025 11:04
URI:	http://eprints.kfupm.edu.sa/id/eprint/143286