Applications of Hydrocarbon Group-Type and Class-Type Analysis via Simulated Distillation-Mass Spectrometry for Process Upgrading Monitoring
Notice bibliographique
Résumé
Characterization of petroleum samples in terms of boiling point distributions is at the core of the oil business. In addition, knowledge of chemical properties like molecular weight (MW) and hydrocarbon group-type as well as class-type distributions are also important parameters for monitoring upgrading processes. This work studied the feasibility of using gas chromatography coupled to flame ionization and mass spectrometry detection (GC-FID-MS) for providing all the former mentioned parameters in a fast and simple simultaneous approach that requires less than 1 h for completion. Comparison with routine thin layer chromatography with flame ionization detection (TLC-FID) and standardized supercritical fluid chromatography (SFC) for hydrocarbon group and class-type analyses validated the approach and, furthermore, allowed one to highlight advantages or disadvantages for the compared techniques. Upgrading processes carried out with atmospheric and vacuum distillate feedstocks were monitored with the mentioned characterization tools. The application of these techniques was found suitable for analyzing petroleum distillates comprised within the C5–C60 carbon range. GC-FID-MS was found suitable for samples containing low amounts of polar hydrocarbons, in addition was determined capable to discriminate HC-class-types for complex samples arising from hydroprocessing, catalytic upgrading, and physically separated distillation cuts. On the other hand, SFC and TLC-FID yielded restricted applicability in the light or heavy distillation ends.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».