Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ARTICULO 2021 Traducido
ARTICULO 2021 Traducido
pubs.acs.org/EF Artículo
responsable del 25% de las emisiones globales de CO2.1 Los esfuerzos para
compartir
opciones
Consulte
artículos
conocer
útiles en la etapa de diseño de combustibles con un nivel intermedio de complejidad. composición compleja de la gasolina y su representación y estudio computacional.
Su formulación exacta depende en gran medida de los fenómenos de interés. Sin
embargo, a medida que se desarrolla el modelado cinético y aumenta la capacidad
métodos gráficos.5,6 Más recientemente, se han propuesto métodos de cálculo computacional, los sustitutos multipropósito capaces de hacer coincidir varias
basados en el uso de números de octanaje combinados,7 así como correlaciones propiedades objetivo se vuelven más relevantes y aplicables. Este estudio se centra
que incluyen términos de desviación para tener en cuenta los efectos sinérgicos y en la predicción de RON utilizando una química simple pero completa para representar
antagónicos.8 Análisis estadístico multivariado basado en infrarrojo cercano ( NIR) los combustibles de gasolina. A pesar de la compleja química de la gasolina de origen
se han utilizado para realizar predicciones RON en línea de gasolinas de rango fósil, los hidrocarburos presentes en ella se pueden clasificar en cinco grupos
completo.911 El uso de algoritmos de aprendizaje automático (ML) también se ha diferentes, a saber, parafinas lineales (P), ramificadas o isoparafinas (I), olefinas (O),
demostrado en estudios previos naftenos (N) y aromáticos ( A). Además de eso, la mezcla de especies oxigenadas
para predecir el comportamiento de autoignición de la gasolina tanto en el como alcoholes (OH) y éteres (E) es una práctica común para mejorar el octanaje del
componente individual como en el nivel de mezcla. . Para componentes individuales, combustible. Además, se espera que el contenido de oxígeno en los combustibles
los modelos cuantitativos de relación estructurapropiedad han sido eficaces. comerciales prevalezca con la integración de mayores proporciones de materias
primas de origen biológico. Por estas razones, y en aras de la disponibilidad de datos
en la literatura, se eligieron como tema de este estudio combinaciones de estos siete
Estos modelos (que a menudo emplean redes neuronales artificiales, RNA) utilizan componentes.
características extraídas de la estructura molecular, como la presencia y posición de
grupos funcionales, el nivel de oxigenados, etc., para predecir propiedades.12,13 Más
recientemente, Li et al. desarrolló un nuevo modelo de contribución grupal basado en
ML que es capaz de predecir los números de octano y cetano para una amplia gama
de compuestos individuales y mezclas de composición conocida.14 Estos modelos
han permitido la creación de 1.3. Objetivos de este estudio. El presente estudio se posiciona en el espacio del
diseño de combustible y compara la idoneidad de 8 algoritmos ML para construir
bases de datos extensas y precisas de moléculas relevantes para el combustible y modelos predictivos que pueden usarse para definir recetas de gasolina para un RON
sus propiedades.15 determinado utilizando una representación de gasolina simplificada. Como insumo
Para las mezclas de gasolina terminadas, los estudios generalmente se han se utilizan datos bibliográficos sobre mezclas que constan de hasta siete ingredientes
centrado en la etapa de análisis del combustible, involucrando datos de técnicas comunes que representan parafinas, isoparafinas, olefinas, naftenos, aromáticos,
ópticas no invasivas. Los espectros NIR se han correlacionado con RON utilizando alcoholes y éteres. Los modelos también pretenden adaptarse a nuevos enfoques de
el algoritmo Random Forest (RF)16 y el rendimiento de los algoritmos de máquinas la química de los combustibles y mejorar la precisión de la estimación de las
de vectores de soporte (SVM) se ha comparado con mínimos cuadrados parciales herramientas existentes sin dejar de basarse en representaciones simplificadas de la
(PLS) en datos de resonancia magnética nuclear (NMR).17 Se han implementado gasolina. Además de la capacidad predictiva, estos modelos se presentan como una
RNA basados en resultados espectrales de RMN18 y cromatografía de gases.19,20 herramienta para investigar el comportamiento de diferentes especies químicas en
Los modelos basados en la composición para la etapa de diseño del combustible mezclas multicomponentes, ya que su moderada complejidad permite la
también están disponibles en varios niveles de complejidad: especialmente las interpretabilidad de los resultados. Además, se espera que una mejor comprensión
propiedades de las mezclas de gasolina (y sustituto) que contienen etanol se han de los fenómenos subyacentes detrás de los comportamientos no lineales facilite las
modelado con precisión mediante regresión lineal multivariada. por Anderson y operaciones de mezcla de la refinería con flujos de entrada más complejos sin
Wallington21 y usando reglas de mezcla junto con mediciones en un nuevo modelo requerir la implementación extensa de análisis espectroscópicos durante todo el
sustituto de combustible por AlRamadan et al.22 Albahri23 predijo RON entre otras proceso de producción. En este artículo se presentan modelos para la predicción de
propiedades de la gasolina usando ANN. Las características de entrada incluyeron RON, pero se podría aplicar la misma metodología para cualquier otra propiedad que
puntos de la curva de destilación, presión de vapor Reid (RVP) y contenido de muestre un comportamiento no lineal y se base en cualquier otro conjunto de datos
olefinas, saturados y aromáticos. Pasadakis et al.24 ajustaron una ANN para predecir de interés.33
el RON de la gasolina basándose en los índices de mezcla del flujo de la refinería.
Estudios similares incluyen
9333 https://doi.org/10.1021/acs.energyfuels.1c00749
Combustibles energéticos 2021, 35, 9332−9340
Machine Translated by Google
2. DATOS Y METODOLOGÍA Los vecinos más cercanos (NN) son métodos no paramétricos simples basados
en el concepto de similitud entre objetos que coexisten muy cerca en el espacio de
2.1. Definición de Composiciones. Motivado por la abundancia de los grupos
características. En este estudio se prueban dos versiones del algoritmo NN: en el
moleculares descritos en la Introducción en la gasolina comercial, así como por la
enfoque kVecinos más cercanos (kNN), se promedia el número de vecinos
disponibilidad de datos, este estudio propone una paleta de siete especies para
establecidos a través del hiperparámetro (es decir, un parámetro que se fija a priori),
representar los compuestos PIONA+OH+E, como se muestra en la Tabla 1.
mientras que en Se promedian los objetos de enfoque basado en radio (rNN) dentro
de un radio sintonizado r hasta el punto de consulta.
grupo molécula RON puntos de datos que contienen información más crítica que otros, lo que reduce el
0 impacto de los valores atípicos. Los modelos de regresión no lineal que utilizan
hidrocarburos parafinas lineales nheptano
isooctano 100 funciones del núcleo (SVR y NuSVR) se prueban con la versión lineal del algoritmo
isoparafinas
olefinas 1hexeno 73,6 (LinSVR).
100 Los árboles de decisión (DT) son algoritmos de caja blanca que infieren reglas
nafteno ciclopentano
aromático tolueno 118 de decisión simples a partir de datos de entrenamiento. A diferencia de la mayoría
etanol 108 de los algoritmos de ML, los resultados de DT se pueden interpretar visualmente
especies oxigenadas alcohol éter
y proporcionar información sobre la contribución de las diferentes variables a las
etil tercbutiléter 117
(ETBE) predicciones.
El algoritmo Random Forest (RF) es un método conjunto que construye y promedia
2.2. Conjunto de datos. El conjunto de datos utilizado en este estudio se recopiló múltiples árboles de decisión. Este método fue desarrollado para superar algunas de
de la literatura existente y se presenta en la Información de respaldo . Durante la las debilidades del DT simple, como el sobreajuste. La RF es menos sensible a los
etapa de adquisición de datos, se incluyeron puntos en el conjunto si cumplían dos datos ruidosos y proporciona resultados más estables. Las predicciones erróneas
criterios principales: el valor RON se había medido utilizando las pruebas hechas por árboles individuales son contrarrestadas por otros árboles.
composición, no se aplicaron restricciones. El conjunto de datos resultante consta de utilizando la biblioteca Scikitlearn para el lenguaje de programación Python.41 Se
243 muestras con una composición única basada en el volumen y valores de RON utilizan composiciones basadas en volúmenes y moles como características de
en el rango 0118 correspondientes al nheptano puro y al tolueno, respectivamente. entrada y RON se define como la variable objetivo. La Figura 2 muestra una
Debido al tamaño limitado del conjunto de datos y la necesidad de recopilarlos de descripción general del modelado.
9334 https://doi.org/10.1021/acs.energyfuels.1c00749
Combustibles energéticos 2021, 35, 9332−9340
Machine Translated by Google
3. RESULTADOS Y DISCUSIÓN
Este estudio tiene como objetivo evaluar la implementación del ML como
herramienta predictiva mediante la evaluación de algoritmos populares e identificando
los mejores candidatos. El rendimiento de los modelos tanto en
Las fases de entrenamiento y prueba se compararon utilizando dos
diferentes métricas. El coeficiente de determinación (R2 ) refleja
la proporción de la varianza RON que es capturada por el
modelos. El error absoluto medio (MAE) fue cuidadosamente
examinado ya que puede ayudar a identificar algoritmos potenciales con
la capacidad de predecir RON con una desviación dentro del error
rango del procedimiento de prueba experimental estándar.
3.1. Capacitación. En la etapa de formación, resultados de validación cruzada.
mostró una desviación estándar baja para R2 para todos los modelos, lo que
indica la idoneidad y coherencia del conjunto de datos y sugiere
un bajo riesgo de sobreajuste. Métricas de regresión del entrenamiento.
etapa se muestran en la Figura 4 y reflejan el desempeño del
subconjunto de validación en los 10 pliegues de validación cruzada. Capacitación
Los resultados sugieren que los algoritmos SVR no lineales son los mejores candidatos. Figura 4. Comparación de la respuesta del subconjunto de entrenamiento en el 10
para predecir RON. Tanto en términos molares como volumétricos, la RVS plegar la validación cruzada.
9335 https://doi.org/10.1021/acs.energyfuels.1c00749
Combustibles energéticos 2021, 35, 9332−9340
Machine Translated by Google
desviación estándar de 0,006. Por el contrario, el algoritmo rNN tenos, compuestos aromáticos = PIONA) y oxigenados
mostró poca precisión y MAE que superó los 10 octanos especies que incluyen etanol y ETBE. La regla molar de la novela.
números. Los resultados de la validación cruzada también mostraron que lineal Compuestos de combustible sintéticos o de base biológica, como ésteres, cetonas,
Los modelos, OLS y LinSVR, reducen su error predictivo cuando etc. también podrían usarse. Sin embargo, eso requeriría la
entrenado con datos de composición molar en 57% y 76%, desarrollo de nuevos modelos basados en la experiencia
respectivamente. base de datos de mediciones de RON para mezclas de gasolina que
3.2. Pruebas. Los modelos fueron probados en los 49 puntos de datos. incluir esas nuevas mezclas. Los modelos actuales podrían ser
incluido en el conjunto de prueba. Los resultados de la fase de prueba fueron Se aplica sólo a estimaciones de RON para varios molares.
de acuerdo con la realización de validación cruzada del concentraciones de clases de compuestos que se tomaron en el
modelos. R2 y MAE para los ocho algoritmos y dos conjuntos de datos entrenamiento del modelo (PIONA + OH y E). Además, el
se informan en la Tabla 3, mientras que la Figura 5 muestra el error disponibilidad limitada de datos para ciertos componentes en las mezclas
distribución y comportamiento de valores atípicos. utilizados para construir este modelo (éteres y naftenos en particular
sólo han estado presentes en 10 y 6 mezclas, respectivamente) pueden
Tabla 3. Rendimiento de los ocho algoritmos utilizados en este En algunos casos, la precisión de las predicciones es menor.
Estudio sobre el conjunto de prueba A pesar de la simplicidad del algoritmo OLS, sus resultados son
comparable a estimadores más complejos como LinSVR. En ambos
conjunto de datos basado en volumen conjunto de datos basado en moles
casos, las mayores desviaciones de los resultados experimentales
modelo R2 MAE R2 MAE ocurrió para valores altos de RON cercanos a 120, como se muestra en la Figura
OLS 0,9255 3.9644 0.9884 1.7313 6. La razón de esos errores es la baja disponibilidad de datos en
kNN 0.9571 3.2107 0.9606 3.0234
rNN 0.4891 12.1186 0.4766 12.3332
LinSVR 0.918 4.1832 0,988 1.7567
RVS 0.9962 0.9224 0.9903 1.412
NuSVR 0.9964 0.9072 0.9903 1.418
DT 0.8714 4.9806 0.9393 3.5622
RF 0.9701 2.636 0.9852 2.0741
9336 https://doi.org/10.1021/acs.energyfuels.1c00749
Combustibles energéticos 2021, 35, 9332−9340
Machine Translated by Google
El ajuste de hiperparámetros del algoritmo NuSVR produjo un modelo equivalente Figura 7. Comparación de predicciones de RON para modelos SVR lineales y no
al algoritmo SVR; por tanto, se obtuvieron resultados similares. La precisión de estos lineales en mezclas binarias de hidrocarburos y etanol utilizando composiciones
basadas en volumen.
dos modelos fue la más alta entre todos los métodos comparados en el presente
estudio.
Estos resultados confirman la idoneidad de estos algoritmos para conjuntos de datos
pequeños y complejos. Al proyectar las características en un espacio de dimensiones
superiores a través de una función de núcleo basada en radial, el algoritmo SVR
puede retener no linealidades dentro de los datos de entrenamiento. La Figura 7
muestra la efectividad del truco del núcleo al comparar las predicciones realizadas
por los algoritmos LinSVR y SVR en una mezcla binaria de tres hidrocarburos (n
heptano, isooctano y tolueno de arriba a abajo) y etanol.
9337 https://doi.org/10.1021/acs.energyfuels.1c00749
Combustibles energéticos 2021, 35, 9332−9340
Machine Translated by Google
algoritmos de ML tradicionales en la predicción de RON utilizando Anna Karvo − Centro tecnológico, Neste Corporation, 06101 Porvoo, Finlandia
representaciones simplificadas de gasolina y fracciones de gasolina. Se Arpad I. Toldy −
definió una paleta de siete especies para proporcionar una representación Grupo de investigación sobre conversión de energía, Departamento de
precisa de los combustibles. Además, se utilizaron conjuntos de datos Ingeniería Mecánica, Facultad de Ingeniería, Universidad de
basados en volúmenes y moles para evaluar la respuesta y aplicabilidad Aalto, FI00076 Aalto, Finlandia; orcid.org/0000000190274854 Martti
de los estimadores. Larmi − Grupo de investigación sobre
SVR demostró ser el mejor algoritmo para predicciones RON, confirmando su conversión de energía, Departamento de Ingeniería Mecánica, Facultad
capacidad para manejar conjuntos de datos pequeños y complejos. de Ingeniería, Universidad de Aalto, FI00076 Aalto, Finlandia
Especialmente cuando el modelo se entrena y se utiliza con concentraciones
volumétricas, muestra una precisión predictiva comparable al procedimiento de
La información de contacto completa está disponible en:
prueba tradicional de RON en un motor de Investigación Cooperativa de Combustible
https://pubs.acs.org/10.1021/acs.energyfuels.1c00749
(CFR), aunque una predicción consistente dentro del límite de reproducibilidad
probablemente requerirá más datos. Contribuciones de los
Además, el modelo resultante captura las interacciones no lineales entre los
autores SCG: conceptualización, metodología, software, análisis formal,
componentes de la mezcla y es capaz de reflejar efectos tanto sinérgicos como
redacciónborrador original. YK: metodología, redacción − revisión y
antagónicos entre moléculas. Estos hallazgos muestran que conjuntos de datos de
edición. TS: adquisición de financiación, redacción, revisión y edición;
tamaño modesto no impiden el desarrollo de herramientas predictivas precisas en la
Reino Unido: redacción, revisión y edición. AK: redacción, revisión y
medida en que se disponga de datos consistentes. La comparación de modelos
edición. AIT: redacciónrevisión y edición, visualización. ML: supervisión,
basados en volumen y moles también mostró una mejora en el rendimiento de los
adquisición de financiación. ASA.: adquisición de financiación, recursos,
algoritmos lineales cuando se utilizó la composición molar, lo que reforzó la idea de
supervisión, redacciónrevisión y edición.
una posible regla de mezcla lineal por mol.
Universidad Aalto, FI00076 Aalto, Finlandia; orcid.org/ NuSVR = Regresión del vector de soporte Nu
O = Olefinas
000000030077966X; Correo electrónico:
OH = Alcoholes
annukka.santasalo@aalto.fi
MCO = Mínimos cuadrados ordinarios
Autores
P = Parafinas lineales
Sandra Correa González − Grupo de Investigación de Energía PLS = Mínimos cuadrados parciales
Conversión, Departamento de Ingeniería Mecánica, Escuela de PRF = Combustibles de referencia primaria
Ingeniería, Universidad de Aalto, FI00076 Aalto, Finlandia R2 = Coeficiente de determinación
9338 https://doi.org/10.1021/acs.energyfuels.1c00749
Combustibles energéticos 2021, 35, 9332−9340
Machine Translated by Google
SVR = Regresión del vector de soporte Algoritmo combinado con cromatografía de gases multidimensional.
2010 Sexto Int. Conf. Nat. Computadora. 2010, 3, 16402.
■ REFERENCIAS (21) Anderson, JE; Wallington, TJ Nuevo método para estimar los índices de octanaje
de mezclas de etanol y gasolina utilizando propiedades de combustible base .
(1) Datos y estadísticas; Agencia Internacional de Energía. https://www.iea. org/datos
Combustibles energéticos 2020, 34, 463242.
yestadísticas (consultado el 5 de marzo de 2020).
(22) AlRamadan, AS; Sarathy, SM; Badra, J. Desentrañando la respuesta de octanaje
(2) Fraser, N.; Blaxill, H.; Lumsden, G.; Bassett, M. Desafíos para una mayor eficiencia
de las mezclas de gasolina y etanol: allanando el camino para la formulación de
mediante la reducción del tamaño de los motores de gasolina. SAE Int. J.
sustitutos de la gasolina. Combustible 2021, 299, 120882.
Motores 2009, 2, 9911008.
(23) Albahri, TA Gravedad específica, RVP, número de octano y composición fraccional
(3) Leona, TG; Anderson, JE; Davis, RS; Iqbal, A.; Reese, R.
de saturados, olefinas y aromáticos de fracciones de gasolina y petróleo mediante
A.; Shelby, MH; et al. El efecto de la relación de compresión, el octanaje del combustible
algoritmos de redes neuronales. Mascota. Ciencia.
y el contenido de etanol en la eficiencia del motor de encendido por chispa. Reinar.
Tecnología. 2014, 32, 121926.
Ciencia. Tecnología. 2015, 49, 1077889.
(24) Pasadakis, N.; Gaganis, V.; Foteinopoulos, C. Predicción del número de octano
(4) Comité D02. Método de prueba para la investigación del octanaje del
para mezclas de gasolina. Proceso de combustible. Tecnología. 2006, 87, 5059.
combustible para motores de encendido por chispa; ASTM Internacional. DOI:
10.1520/ D269915. (25) Murty, BSN; Rao, RN Optimización global para la predicción de la composición
(5) Schoen, WF; Mrstik, AV Cálculo de los índices de octanaje de las mezclas de de mezclas de gasolinas con el número de octanaje y las propiedades deseados.
gasolina. Ing. de Indiana. Química. 1955, 47, 17402. Proceso de combustible. Tecnología. 2004, 85, 1595602.
(6) Metwally, MM Enfoque para el cálculo preciso del número de octano para la mezcla (26) Curran, HJ; Gaffuri, P.; Pitz, WJ; Westbrook, CK Un estudio de modelado integral
de gasolina. Acad. Res. Publicación comunitaria 2019, 2, 506−506. de la oxidación de isooctano. Combustión.
Llama 2002, 129, 25380.
(7) Ghosh, P.; Hickey, KJ; Jaffe, SB Desarrollo de un modelo detallado de octanaje (27) Morgan, N.; Hueso pequeño, A.; Bhave, A.; Kraft, M.; Cracknell, R.; Kalghatgi, G.
basado en la composición de la gasolina. Ing. de Indiana. Química. Res. 2006, 45, Mapeo de composiciones de gasolina sustitutas en el espacio RON/MON. Combustión.
33745. Llama 2010, 157, 112231.
(8) Kirgina, MV; Ivanchina, ED; Dolganov, IM; Chekantsev, N. (28) Cancino, LR; Fikri, M.; Oliveira, AAM; Schulz, C. Tiempos de retardo de ignición
V.; Kravtsov, AV; Fu, F. Programa informático para optimizar la composición de gasolina de sustitutos de gasolina de componentes múltiples que contienen etanol : experimentos
de alto octanaje. Química. Tecnología. Aceites combustibles 2014, 50, 1727. con tubos de choque y modelado detallado. Combustible 2011, 90,
123844.
(9) Kelly, JJ; Barlow, CH; Jinguji, TM; Callis, JB Predicción de los números de octanaje (29) Singh, E.; Badra, J.; Mehl, M.; Sarathy, SM Información cinética química sobre el
de la gasolina a partir de características espectrales del infrarrojo cercano en el rango número de octanaje y la sensibilidad al octanaje de mezclas sustitutas de gasolina.
6601215 nm. Anal. Química. 1989, 61, 31320. Combustibles energéticos 2017, 31, 194560.
(10) Bohács, G.; Ovádi, Z.; Salgó, A. Predicción de las propiedades de la gasolina con (30) Wolk, B.; Ekoto, I.; Northrop, W. Investigación de los efectos del combustible en
espectroscopía del infrarrojo cercano. J. Espectrosc del infrarrojo cercano. 1998, 6, la química de reformado en cilindros mediante cromatografía de gases.
3418. SAE Int. J. Motores 2016, 9, 96478.
(11) LitaniBarzilai, I.; Sela, I.; Bulatov, V.; Zilberman, I.; Schechter, I. Predicción (31) Pérez, PL; Boehman, AL Investigación experimental del comportamiento de
remota en línea de las propiedades de la gasolina mediante métodos ópticos combinados. autoignición de combustibles de gasolina sustitutos en un aparato de bomba de
Anal. Chim. Acta 1997, 339, 1939. combustión de volumen constante y su relevancia para la combustión HCCI. Combustibles
(12) Schweidtmann, AM; Rittig, JG; König, A.; Grohe, M.; Mitsos, A.; Dahmen, M. energéticos 2012, 26, 610617.
Graficar redes neuronales para la predicción de la calidad de ignición del combustible. (32) Daly, SR; Niemeyer, KE; Cannella, WJ; Hagen, CL
Combustibles energéticos 2020, 34, 11395−407.
Sustitutos de gasolina FACE formulados mediante un marco de optimización multivariante
(13) Kubic, WL; Jenkins, RW; Moore, CM; Semelsberger, T.
mejorado. Combustibles energéticos 2018, 32, 791632.
A.; Sutton, AD Método de contribución grupal basado en redes neuronales artificiales
(33) Correa González, S. Modelado del efecto de mezclar múltiples componentes
para estimar los números de cetano y octano de hidrocarburos y compuestos orgánicos
en las propiedades de la gasolina. Tesis de Maestría, Universidad Aalto, 2019.
oxigenados. Ing. de Indiana. Química. Res. 2017, 56, 1223645.
gasolina de las gasolineras: una comparación de RMN 1H de campo bajo a 80 MHz, del etanol mezclado con gasolina y sus sustitutos. Combustible 2014, 115, 72739.
redes neuronales artificiales. Combustibles energéticos 2018, 32, 630929. (19) van (39) James, G.; Witten, D.; Hastie, T.; Tibshirani, R. Una introducción al aprendizaje
Leeuwen, JA; Jonker, RJ; estadístico; Springer, 2013; vol. 112.
Gill, R. Predicción del número de octano basada en análisis cromatográfico de gases (40) Ng, A. Lo que los científicos de datos deben saber sobre el aprendizaje profundo,
con técnicas de regresión no lineal . Quimio. Intel. Laboratorio. Sistema. 1994, 25, 2015.
32540. (41) Pedregosa, F.; Varoquaux, G.; Gramfort, A.; Michel, V.; Thirión, B.; Grisel, O.; et
(20) Liu, M.; Zhou, P.; Kong, P.; Yang, C.; Li, G.; Mamá. al. Scikitlearn: aprendizaje automático en Python. J. Mach Aprenda Res. 2011, 12,
Determinación del octanaje de gasolina por doble ANN. 28252830.
9339 https://doi.org/10.1021/acs.energyfuels.1c00749
Combustibles energéticos 2021, 35, 9332−9340
Machine Translated by Google
(42) Canción, H.; Delfín, R.; Vanhove, G. Una investigación cinética sobre la
reactividad sinérgica a baja temperatura y la mezcla RON antagonista de
combustibles de alto octanaje: diisobutileno y ciclopentano. Combustión. Llama
2020, 220, 2333.
(43) Knop, V.; Loos, M.; Pera, C.; Jeuland, N. Una regla de mezcla lineal por mol
para números de octano de mezclas de nheptano/isooctano/tolueno . Combustible
2014, 115, 66673.
(44) Kalghatgi, G.; Babiker, H.; Badra, J. Un método simple para predecir la
detonación utilizando mezclas de tolueno, Nheptano e isooctano (TPRF) como
sustitutos de la gasolina. SAE Int. J. Motores 2015, 8, 50519.
(45) Badra, JA; Bokhumseen, N.; Mulla, N.; Sarathy, SM; Farooq, A.; Kalghatgi,
G.; et al. Una metodología para relacionar números de octanaje de mezclas
binarias y ternarias de nheptano, isooctano y tolueno con tiempos de retardo de
ignición simulados. Combustible 2015, 160, 45869.
(46) Sarathy, SM; Kukkadapu, G.; Mehl, M.; Javed, T.; Ahmed, A.; Naser, N.; et
al. Efectos composicionales sobre la ignición de gasolinas FACE. Combustión.
Llama 2016, 169, 17193.
(47) Li, B.; Jiang, Y. Modelo cinético químico de un sustituto de gasolina
multicomponente con reacciones cruzadas. Combustibles energéticos 2018, 32,
985971.
(48) Cameron, DM Estudios de autoignición de combustibles sustitutos de
gasolina en el analizador avanzado de retardo de ignición de combustible. Tesis
de maestría, Universidad de Colorado Boulder, 2017.
(49) Ogura, T.; Sakai, Y.; Miyoshi, A.; Koshi, M.; Dagaut, P.
Modelado de la oxidación de combustible primario de referencia en presencia de
mejoradores de octanaje oxigenados: etil tercbutil éter y etanol. Combustibles
energéticos 2007, 21, 32339.
(50) Cancino, LR; Fikri, M.; Oliveira, AAM; Schulz, C.
Autoignición de mezclas de sustitutos de gasolina a temperaturas intermedias y
altas presiones: enfoques experimentales y numéricos.
Proc. Combustión. Inst. 2009, 32, 5018.
9340 https://doi.org/10.1021/acs.energyfuels.1c00749
Combustibles energéticos 2021, 35, 9332−9340