Гіперспектральна зйомка допомогла точно визначати вміст етанолу у дизельних біопаливних сумішах
Дослідники з університету Іламу (Іран) продемонстрували, що видима та ближня інфрачервона гіперспектральна зйомка в поєднанні зі штучними нейронними мережами може з високою точністю визначати концентрацію етанолу у змішаному дизельному паливі на основі біодизеля. У лабораторному експерименті система досягла 90% точності класифікації для сумішей з вмістом етанолу від 0 до 5%.
Йдеться про тернарні суміші, де 15% становить біодизель, а решта — традиційне дизельне пальне з додаванням різних часток етанолу. Саме такий формат альтернативного палива розглядають як спосіб зменшити споживання викопного дизеля та скоротити викиди парникових газів у двигунах із запалюванням від стискання.
Етанол у складі дизельного палива покращує процес згоряння завдяки високому вмісту кисню, зменшуючи викиди чадного газу, незгорілих вуглеводнів, оксидів азоту та твердих частинок, а також підвищуючи ефективність двигуна. Водночас навіть невеликі відхилення у частці етанолу змінюють в’язкість, густину, калорійність, змащувальну здатність і стабільність суміші, що напряму впливає на ресурс двигуна, витрату палива та токсичність вихлопу. Тому для паливного ринку критично важливий швидкий і точний контроль складу таких сумішей.
Традиційні лабораторні методики ґрунтуються на «мокрій» хімії чи хроматографії, потребують дорогого обладнання, реактивів та підготовленого персоналу, а також займають багато часу. Оптичні методи спектроскопії застосовували й раніше, але зазвичай вони працюють із точковими вимірами й аналізують лише невелику частину зразка, що може призводити до похибок.
Гіперспектральна система, яку випробували іранські вчені, фіксує двовимірне зображення зразка та одночасно відбивну здатність у великій кількості вузьких спектральних діапазонів у межах 400–950 нм. Для кожного пікселя утворюється повна спектральна крива, що забезпечує значно репрезентативніший аналіз палива та відкриває можливості для автоматизованого моніторингу якості в реальному часі на нафтобазах або в магістральних трубопроводах.
У межах експерименту підготували п’ять видів сумішей з постійною часткою біодизеля (15%) і різним вмістом етанолу: 0, 1, 2, 3 та 5% (решта — звичайний дизель). Для кожної суміші отримали 18 гіперспектральних «гіперкубів» — загалом 90 наборів даних. Після калібрування й попередньої обробки зображення аналізували в MATLAB, застосувавши метод головних компонент для виділення інформативних спектральних каналів і обчисливши низку статистичних ознак (середнє, мінімум, максимум, медіана, дисперсія, стандартне відхилення).
Щоб уникнути перевантаження класифікаторів зайвими змінними, дослідники використали послідовний відбір ознак і скоротили початковий набір до десяти найефективніших. Саме на основі цих характеристик будували моделі для розпізнавання класів за вмістом етанолу.
Для порівняння випробували метод опорних векторів (SVM) з різними стратегіями багатокласової класифікації, однак він показав обмежену точність: від 20 до 57,77% залежно від набору ознак і налаштувань. Найкращі результати отримали завдяки багатошаровим штучним нейронним мережам, які навчали за алгоритмом Левенберга–Марквардта. Оптимальна архітектура мережі з десятьма обраними ознаками досягла 90% загальної точності з коефіцієнтом кореляції 0,87.
Дослідження проводили в контрольованих лабораторних умовах, з обмеженою кількістю зразків та вузьким діапазоном вмісту етанолу, тому наступним кроком має стати перевірка методики на ширшому діапазоні концентрацій, з різними сортами дизельного палива й біодизеля та за змінних температур. Автори також пропонують розвивати підхід у напрямку безперервного кількісного оцінювання (регресії), а не тільки класифікації, і тестувати сучасні глибинні нейромережеві архітектури для ще точнішого аналізу.
У перспективі такі системи гіперспектрального контролю в поєднанні з нейромережами можуть стати основою для повністю автоматизованої, безреагентної перевірки якості альтернативних дизельних палив у промислових масштабах.
