基于红外光谱的汽油组分分析

中国标准（GB17930-2016、GB19147-2016、GB253）为燃油（包括汽油、柴油和喷气燃料）的质量和性能设定了详细的指标要求，确保其在燃烧效率、能源输出、质量稳定性和环保性能方面达到高水平。

对于汽油而言，GB17930-2016标准涵盖了多项关键指标，包括辛烷值、燃烧值、甲醇、蒸汽压、硫含量、苯含量、饱和烃含量、芳烃含量、烯烃含量等。其中辛烷值是汽油抗爆性的关键参数，对引擎高速运转时的稳定性至关重要。此外，随着燃油环保标准的日益严格，监测烃类含量（包括甲醇和乙醇）变得十分必要，汽油中添加甲醇和乙醇不*可以有效减少尾气排放，还对环保产生积极影响。

01辛烷值的检测

汽油辛烷值是衡量汽油在气缸内抗爆震燃烧能力的一种数字指标，其值越高意味着抗爆性越好，红外光谱技术为汽油中辛烷值的检测提供了一种快速、可靠的手段。通过准确测定辛烷值，研究人员和工程师能够更好地了解汽油的**性能，为优化引擎设计、提高燃烧效率以及减少尾气排放等方面提供重要信息。因此，在汽油质量控制和引擎性能优化的过程中，红外光谱检测汽油中的辛烷值具有重要作用。

通过113个汽油样本的光谱数据，建立预测模型。实验结果显示，预测集的相关系数R_p²为1.0184，均方根误差(RMSE)为0.4639，表明该方法能有效预测汽油辛烷值，具有操作简便和分析速度快的优点。

而针对工业汽油成品辛烷值难以实时获取的问题，可以基于孤立森林的数据清洗和主成分分析法（PCA）建立辛烷值预测模型。该模型利用大型石化企业的真实数据，选取36个高相关特征，通过SVM和高斯核函数训练，优化模型参数。结果显示，模型的决定系数为84.36%，平均误差为0.169，有效预测汽油成品辛烷值。

为提高BP神经网络的预测精度和稳定性，改进的自适应混沌果蝇优化算法(CDFOA)，通过引入混沌映射、判别因子和变步长机制优化网络初始权值和阈值。构建了CDFOA优化的BP神经网络（CDFOA-BP）模型，用于预测汽油辛烷值。利用60组数据测试，CDFOA-BP在精度和稳定性上优于传统BP及其他三种优化模型，证明了其有效性和可行性。

CDFOA-BP和其他四种模型比较（左）以及RF（右）预测汽油中的辛烷值含量

此外基于RF回归算法的汽油辛烷值预测方法，利用汽油质量数据库中的实测数据，以烯烃含量、芳烃含量、氧含量、馏程和密度为自变量，建立92号、95号和（92号+95号）汽油的预测模型。结果显示92号和95号模型的预测精度较高，决定系数均达到0.95以上，森林预测预测汽油辛烷值。应用这两个模型进行辛烷值预测，即使油品质量升级，模型仍然保持高精度。

02甲醇和乙醇含量检测

甲醇作为添加剂可提高汽油辛烷值，改善燃烧性能。红外光谱通过测量样品在红外光波段的吸收光谱，准确识别和定量有机物质。用近红外光谱分析甲醇汽油检测，优于常规方法，具快速、高灵敏等优点。采用S-G卷积平滑算法，得出**模型决定系数0.99898。均方根误差RMSE*0.32284%，准确性高，满足实际应用需求。

乙醇作为可再生能源，在汽油中添加有助于提高抗爆性能和符合环保标准，而红外光谱技术同样在检测乙醇含量方面发挥着关键作用。应用近红外光谱技术和主成分分析（PCA）、PLS分析方法对乙醇汽油进行分类，准确测量乙醇含量，其交叉检验均方根误差为1.35%(V/V)。

PLS预测汽油甲醇(左)和乙醇(右)含量的散点图

03芳烃和烯烃的检测

检测燃油中的芳烃和烯烃含量对于燃油品质的评估至关重要，因为这两种成分直接关系到燃油的燃烧性能和环保性能。芳烃和烯烃是燃油中的两个主要组成部分，它们的含量不*影响着燃油的能量释放和燃烧效率，还直接关系到引擎的运行稳定性和尾气排放的环保性。

在一项研究中，通过结合红外光谱技术和计算机技术，建立了车用汽油芳烃和烯烃的数据库。通过谱线匹配和多元线性回归，它们能够快速、准确地测定汽油中的芳烃和烯烃含量。实验证明，随着数据库区域样本量的增加，中红外光谱仪检测的数据准确性提高，标准偏差减小，且该方法使用成本低、操作简单、检测速度快，可作为传统方法的有效补充。这一方法为提高汽油质量检测的效率提供了有力的支持。

93#号汽油模型预测值与经典方法测定值的相关图

红外光谱为燃油质量评估提供了一种高效、准确的分析手段，通过采用多元统计分析方法，可以实现一次性对燃油的关键组分如辛烷值、十六烷值、甲醇和乙醇含量以及芳烃和烯烃等含量的快速准确测定，从而**优化了燃油的质量控制流程。随着光谱技术的进一步完善和分析方法的不断优化，红外光谱技术在燃油检测和分析领域的应用将更加**，对石油化工行业的发展将产生更深远的影响。