Determinación del número de cetano del Biodiesel a partir de su composición de ácidos grasos utilizando regresión lineal múltiple y redes neuronales artificiales

Instituto Superior Politécnico “José Antonio Echeverría” Facultad de Ingeniería Mecánica Centro de Estudio de Tecnologías Energéticas Renovables (CETER)

Tesis Presentada en Opción al Título Académico de Máster en Ingeniería Mecánica      

Determinación del número de cetano del Biodiesel a partir de su composición de ácidos grasos utilizando regresión lineal múltiple y redes neuronales artificiales

Autor: Ing. Yisel Sánchez Borroto Tutor: Dr. Ramón Piloto Rodríguez

La Habana, Cuba 2014

 

Resumen El número de cetano (CN) es una de las propiedades más importantes para evaluar la calidad del proceso de combustión de un combustible tipo diésel. El CN de biocombustibles derivados de aceites vegetales está influenciado por su composición de ácidos grasos. El objetivo de esta investigación es obtener modelos físico-matemáticos que establezcan una relación entre el número de cetano de biocombustibles derivados de aceites vegetales y su composición de ácidos grasos esenciales. Para predecir el CN del biodiesel se desarrolló un modelo matemático mediante un análisis de regresión lineal múltiple y de redes neuronales artificiales. El ajuste de los coeficientes del modelo de regresión se basa en la obtención de residuales mínimos. Para la obtención del modelo de redes neuronales fueron evaluadas 60 redes, utilizando dos topologías y diferentes algoritmos para la segunda etapa de entrenamiento. El modelo obtenido usando regresión fue comparado con un modelo encontrado en la literatura. Los modelos obtenidos por redes y regresión fueron comparados entre sí, obteniéndose como resultado que el modelo por redes neuronales es mejor para predecir el número de cetano que el obtenido por regresión. A partir de estos resultados queda establecida una herramienta muy útil para la determinación del número de cetano. Referencias Bibliográficas 1.  2.  3.  4.  5.  6. 

7.  8. 

9.  10.  11. 

12. 

Ying Koh, M. and T.I. Mohd. Ghazi, A review of biodiesel production from Jatropha curcas L.  oil. Renewable and Sustainable Energy Reviews, 2011. 15: p. p.2240‐2251.  Singh  Nigam,  P.  and  A.  Singh,  Production  of  liquid  biofuels  from  renewable  resources.  .  Progress in Energy and Combustion Science, 2011. 37: p. p. 52‐68.  Dmytryshyn,  S.L.,  et  al.,  Synthesis  and  characterization  of  vegetable  oil  derived  esters:  evaluation for their diesel additive properties. Bioresource Technology 2004. 92 p. 55–64.  Piloto Rodríguez, R., Determinación de la influencia  en el funcionamiento de motores Diesel  del uso de Biodiesel., in Ceter. 2009, Cujae.  Ribeiro,  A.,  F.  Castro,  and  J.  Carvalho,  Influence  of  free  fatty  acid  content  in  Biodiesel  production on non‐edible oils., in WASTES: Solutions, Treatments and Opportunities. 2011.  Agarwal, A.K., J. Bijwe, and L.M. Das, Effect of Biodiesel Utilization of  Wear of Vital Parts in  Compression Ignition Engine. Journal of Engineering for Gas Turbines and Power, 2003. 125:  p. 604 ‐ 611.  Demirbas, A., Biodiesel. A realistic fuel alternative for diesel engines. 2008, London: Springer‐ Verlag   Antony.  Raja,  S.,  D.S.  Robinson  Smart,  and  C.  Lindon  Robert  Lee,  Biodiesel  production  from  jatropha oil and its characterization. Research Journal of Chemical Sciences, 2011. 1 (1): p. 1‐ 7.  Kumar  Agarwal,  A.,  Biofuels  (alcohols  and  biodiesel)  applications  as  fuels  for  internal  combustion engines. Progress in Energy and Combustion Science, 2007. 33: p. 233–271.  Castro, P., J. Coello, and L. Castillo, Opciones para la producción y uso de Biodiesel en el Perú.,  ed. 51. 2007.  Piloto  Rodriguez,  R.,  Determination  of  Biodiesel  Influence  on  the  Performance  of  Diesel  Engines.,  in  Department  of  Flow,  Heat  &  Combustion  Mechanics.  2010,  Ghent  University:  Ghent.  Gopinath,  A.,  S.  Puhan,  and  G.  Nagarajan,  Effect  of  biodiesel  structural  configuration  on  its  ignition quality. Energy and Environment, 2010. 1 (2): p. 295‐306. 

13.  14.  15.  16.  17.  18.  19.  20.  21.  22. 

23.  24. 

25. 

26.  27.  28.  29.  30. 

31.  32.  33. 

Gopinath,  A.,  S.  Puhan,  and  G.  Nagarajan,  Relating  the  cetane  number  of  biodiesel  fuels  to  their fatty acid composition: a critical study. SAGE, 2009: p. 565‐583.  Knothe,  G.,  A.C.  Matheaus,  and  T.W.  Ryan,  Cetane  numbers  of  branched  and  straight‐chain  fatty esters determined in an ignition quality tester. Fuel, 2003. 82: p. 971–975.  Liotta,  F.J.,  A  Peroxide  Based  Cetane  Improvement  Additive  with  Favorable  Blending  Properties., SAE, Editor. 1993, Society of Automotive Engineers: Warrendale.  Lujaji, F., et al., Cetane number and thermal properties of vegetable oil, biodiesel, 1‐butanol  and diesel blends. Journal of Thermal Analysis and Calorimetry, 2010: p. 1‐7.  Knothe, G., Dependence of biodiesel fuel properties on the structure of fatty acid alkyl esters.  Fuel Processing Technology, 2005. 86  p. 1059– 1070  Knothe,  G.,  R.O.  Dunn,  and  M.O.  Bagby,  Biodiesel:  The  Use  of  Vegetable  Oils  and  Their  Derivatives as Alternative Diesel Fuels. 2003.  G. Giakoumis, E., A statistical investigation of biodiesel physical and chemical properties, and  their correlation with the degree of unsaturation. Renewable Energy, 2013 50: p. p.858‐878.  Payri  González,  F.,  J.M.  Desantes  Fernandez,  and  et.al,  Motores  de  Combustión  Interna  Alternativos. 2011.  Saxena, P., S. Jawale, and M.H. Joshipura, A review on prediction of properties of biodiesel and  blends of biodiesel. Procedia Engineering 2013. 51: p. 395 ‐ 402.  Gopinath,  A.,  S.  Puhan,  and  G.  Nagarajan,  Theoretical  modeling  of  iodine  value  and  saponification  value  of  biodiesel  fuels  from  their  fatty  acid  composition.  Renewable  Energy  2009. 34: p. 1806–1811.  Ramadhas, A.S., et al., Artificial neural networks used for the prediction of the cetane number  of biodiesel. Renewable Energy  2006. 31: p. 2524‐2533.  Piloto  Rodriguez,  R.,  R.  Sierens,  and  S.  Verhelst,  Thermal  and  kinetic  evaluation  of  biodiesel  derived from soybean oil and higuereta oil. Journal of Thermal Analysis and Calorimetry, 2009.  96(3): p. 897‐901.  Piloto Rodriguez, R., R. Sierens, and S. Verhelst, Ignition delay in a palm oil and rapeseed oil  biodiesel fuelled engine and predictive  correlations  for the ignition  delay period. Fuel, 2011.  90: p. 766‐772.  Hernandez  Sampieri,  R.,  C.  Fernandez  Collado,  and  P.  Baptista  Lucio,  Metodología  de  la  investigación., ed. t. Edición.  Huajin, T., K. Chen Tang, and Z. Yi, Neural Networks: Computational models and applications.  Vol. 53. 2007.  Cheenkachorn,  K.,  Predicting  Properties  of  Biodiesels  Using  Statistical  Models  and  Artificial  Neural Networks. As. J. Energy Env, 2006. 7 (02): p. 299‐306.  Esen, H., et al., Performance prediction of a ground‐coupled heat pump system using artificial  neural networks. . Expert Systems with Applications, 2008. 35: p. 1940‐1948.  Esen,  H.,  et  al.,  Forecasting  of  a  ground‐coupled  heat  pump  performance  using  neural  networks with statistical data weighting pre‐processing. . J of Thermal Sciences   2008. 47: p.  431‐441.  Esen, H., et al., Modeling a ground‐coupled heat pump system by a support vector machine.     . Renewable Energy, 2008. 33: p. 1814‐1823.  Esen,  H.,  et  al.,  Modeling  of  a  new  solar  air  heater  through  least‐squares  support  vector  machines. . Expert Systems with Applications 2009. 36 p. 10673‐82.  In‐Ho,  Y.,  Y.  Myoung‐Souk,  and  K.  Kwang‐Woo,  Application  of  artificial  neural  network  to  predict  the  optimal  start  time  for  heating  system  in  building.  Energy  Conversion  &  Management, 2003. 44 p. 2791‐809. 

34.  35.  36. 

37.  38. 

39.  40.  41. 

42.  43.  44. 

45. 

46. 

47.  48.  49. 

50.  51.  52.  53. 

Kalogirou, S.A., Application of artificial neural networks in energy systems. A  review. Energy  Conversion & Management 1999. 40: p. 1073‐87.  Karatepe,  E.,  M.  Boztepe,  and  M.  Colak,  Neural  network  based  solar  cell  model.  Energy  Conversion & Management, 2006. 47 p. 1159‐1178.  Reddy,  K.S.  and  M.  Ranjan,  Solar  resource  estimation  using  artificial  neural  networks  and  comparison with other correlation models.  . Energy Conversion & Management, 2003. 44 p.  2519‐30.  Blasco, J.A., et al., A self organizing‐ map approach to chemistry representation in combustion  applications. . Combust Theory Modeling 2000. 4: p. 61‐76.  Heister, F. and M. Froehlich, Non‐linear time series analysis of combustion pressure data for  neural network training with the concept of mutual information. . Proc Inst Mech Engnr, Part  D: J Automobile Engng, 2001. 215: p. 299‐304.  Kalogirou, S.A., Artificial intelligence for the modeling and control of combustion processes: a  review. . Progress in Energy and Combustion Science, 2003. 29 p. 515‐66.  Thompson, G.J., et al., Neural network modeling of the emissions and performance of a heavy‐ duty diesel engine. Proc Inst Mech Engnr, Part D: J Automobile Engng  2001. 214: p. 111‐126.  Ramirez‐Verduzco,  L.F.,  J.E.  Rodriguez‐Rodriguez,  and  A.  Jaramillo‐Jacob,  Predicting  cetane  number, kinematic viscosity, density and higher heating value of biodiesel from its fatty acid  methyl ester composition.  . Fuel, 2012. 91: p. 102‐11.  Bamgboye, A.I. and A.C. Hansen, Prediction of cetane number of biodiesel fuel from the fatty  acid methyl ester (FAME) composition. International Agrophysics, 2008. 22: p. 21‐29.  Yang, H., et al., Neural network prediction of cetane number and density of diesel fuel from its  chemical composition determined by LC and GC‐MS. . Fuel, 2002. 81 p. 65‐74.  Assanis,  D.N.,  et al., A  predictive  Ignition  Delay correlation under  steady‐state  and transient  operation  of a  direct  injection  Diesel  engine.  Engineering  for  gas  turbines  and  power,  2003.  125.  Lapuerta, M., J. Rodríguez Fernández, and E. Font de Mora, Correlation for the estimation of  the  cetane  number  of  biodiesel  fuels  and  implications  on  the  iodine  number.  Energy  Policy,  2009. 37: p. 4337– 4344.  Lapuerta,  M.,  J.  Rodriguez‐Fernandez,  and  O.  Armas,  Correlation  for  the  estimation  of  the  density  of  fatty  acid  esters  fuels  and  its  implications.  A  proposed  biodiesel  cetane  index.  Chemistry and Physics of Lipids 2010. 163 p. 720‐7.  Ramos,  M.J.,  et  al.,  Influence  of  fatty  acid  composition  of  raw  materials  on  biodiesel  properties.   . Bioresource Technology, 2009. 100: p. 261‐268.  Babu, A.K. and G. Devaradjane, Vegetable Oils And Their Derivatives As Fuels For CI Engines:  An Overview. SAE Technical Paper Series, 2003. 2003‐01‐0767: p. 1‐16.  Van Gerpen, J.H., Cetane number testing of biodiesel.  . Proceedings of the Third Liquid Fuel  Conference Liquid fuels and industrial products from renewable resources, Nashville, 1996: p.  197‐206.  Tong, D., et al., Cetane Number Prediction of Biodiesel from the Composition of the Fatty Acid  Methyl Esters. J Am Oil Chem Soc, 2011. 88: p. 415–423  Santana, R.C., et al., Evaluation of different reaction strategies for the improvement of cetane  number in diesel fuels. Fuel, 2006. 85 p. 643‐656.  Korres,  D.M.,  et  al.,  A  neural  network  approach  to  the  prediction  of  diesel  fuel  lubricity.      .  Fuel, 2002. 81: p. 1243‐50.  Mohibbe, A.M., A. Waris, and N.M. Nahar, Prospects and potential of fatty acid methyl esters  of some non‐traditional seed oils for use as biodiesel in India. . Biomass & Bioenergy, 2005. 29  p. 293‐302. 

54.  55. 

Kinast, J.A., Production of Biodiesels from Multiple Feedstocks and Properties of Biodiesels and  Biodiesel/Diesel Blends. , N.S.‐.‐. NREL, Editor. 2003, Illinois   Basu,  G.S.,  A.S.  Kapur,  and  R.M.  Sarpal,  A  Neural  Network  Approach  to  the  Prediction  of  Cetane  Number  of  Diesel  Fuels  Using  Nuclear  Magnetic  Resonance  (NMR)  Spectroscopy.  .  Energy & Fuels, 2003. 17 p. 1570‐5.