Determinação de aditivos detergentes dispersantes em gasolinautilizando a técnica do ring-oven e imagens hiperespectrais na região doinfravermelho próximo

• Main Author: BRITO, Lívia Rodrigues e
• Other Authors: http://lattes.cnpq.br/6880348154073236
• Language: br
• Published: Universidade Federal de Pernambuco 2016
• Subjects: Gasolina; Aditivos; Ring-oven; Imagem hiperespectral; Infravermelho próximo; Gasoline; Additives; Hyperspectral image; Near infrared
• Online Access: https://repositorio.ufpe.br/handle/123456789/17177

Submitted by Fabio Sobreira Campos da Costa ([e-mail]) on 2016-06-29T11:48:02Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação de Mestrado - Lívia Rodrigues e Brito.pdf: 11880513 bytes, checksum: cdf56fe284940b9c31e62271753b913f (MD5) === Made available in DSpace on 2016-06-29T11:48:02Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação de Mestrado - Lívia Rodrigues e Brito.pdf: 11880513 bytes, checksum: cdf56fe284940b9c31e62271753b913f (MD5) Previous issue date: 2014-08-25 === CNPq === A adição de aditivos detergentes dispersantes nas gasolinas brasileiras será obrigatória a partir de julho de 2015. É necessário, portanto, desenvolver uma metodologia que permita quantificar esses aditivos para verificar o cumprimento da lei. Neste trabalho, é proposto um método que associa a técnica do ring-oven com as imagens hiperespectrais no infravermelho próximo (NIR-HI). Como os aditivos são adicionados em baixas concentrações, a técnica do ring-oven foi empregada para concentrá-los previamente à análise por NIR-HI. Anéis foram produzidos a partir de amostras de gasolinas comum adicionadas dos aditivos (denominados G, T, W e Y) fornecidos pela Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP) e as imagens adquiridas utilizando uma câmera hiperespectral (SisuCHEMA). Três estratégias de extração dos espectros do anel foram testadas a fim de se escolher a mais rápida e objetiva. A estratégia escolhida se baseia nos histogramas dos escores da primeira componente principal das imagens analisadas individualmente. Modelos de calibração individuais para cada aditivo foram construídos empregando a regressão por mínimos quadrados parciais (PLS), por isso, fez-se necessária uma etapa prévia de classificação. O melhor resultado para classificação foi obtido empregando a análise discriminante linear (LDA) associada ao algoritmo genético (GA) para seleção de variáveis, o qual apresentou uma taxa de classificações corretas de 92,31 %. Observou-se que a maioria dos erros de classificação envolveram amostras dos aditivos G e W. Um único modelo de regressão para esses dois aditivos foi, então, construído e seu erro foi equivalente aos dos modelos individuais. Os modelos de regressão apresentaram erros médios de predição entre 2 e 15 %. Esses resultados mostram que a metodologia proposta pode ser utilizada para determinar as concentrações dos aditivos com confiabilidade e garantir que eles estão sendo adicionados conforme a lei. === The addition of detergent dispersant additives to Brazilian gasoline will be mandatory from July 2015. It is necessary, therefore, to develop a methodology that allows quantifying these additives to verify their compliance with the law. In this work, a method that associates the ring-oven technique with near infrared hyperspectral images (NIR-HI) is proposed. Because the additives are added in low concentrations, the ring-oven technique was employed to concentrate them prior to the NIR-HI analysis. Rings were produced from samples of gasolines without additives spiked with additives (called G, T, W and Y) provided by the National Agency of Petroleum, Natural Gas and Biofuels (ANP) and the images were acquired using a hyperspectral camera (SisuCHEMA). Three strategies for extraction of the ring spectra were tested in order to select the faster and most objective. The chosen strategy is based on the histograms of the first principal component scores of the images analyzed individually. Regression models were built for each additive using partial least squares (PLS) regression, so it was necessary to have a previous classification stage. The best classification result was obtained using the linear discriminant analysis (LDA) associated with the genetic algorithm (GA) for variable selection, which showed a correct classification rate of 92.31 %. It was observed that most of the misclassification errors involved the samples of the G and W additives. A single regression model was then built for these two additives and its error was equivalent to the errors of the individual models. The regression models showed average prediction errors between 2 and 15 %. These results show that the proposed methodology can be used to determine the additive concentrations with reliability and to ensure that they are been added according to the law.