Aplican una ‘nariz electrónica’ e infrarrojos para evaluar la calidad de la gasolina
Un equipo de investigación de la Universidad de Cádiz ha comparado la efectividad de diferentes técnicas analíticas en combinación con algoritmos de aprendizaje automático para discriminar entre los dos tipos de gasolina más comúnmente comercializadas. Este análisis ha demostrado que la combinación de ambos supone en la industria petroquímica una alternativa rápida y eficaz para validar su composición e identificar el tipo de combustible.
Un equipo de investigación de la Universidad de Cádiz ha aplicado dos herramientas diferentes de inteligencia artificial para comparar su precisión en el proceso de control de calidad de la gasolina y clasificarla en función de su capacidad de autocombustión. Ambas conclusiones permitirán a la industria disponer de información actualizada, precisa y en tiempo real de la composición de este hidrocarburo.
En concreto, han trabajado con dos métodos analíticos basados en la identificación de patrones en datos masivos y elaboración de predicciones, lo que se conoce como ‘machine learning’. Los han aplicado por separado y de forma conjunta en una ‘nariz electrónica’, diseñada por este mismo equipo de expertos para detectar restos de líquidos inflamables en un incendio, y un sistema de medición de infrarrojos.
Como recoge este estudio, titulado ‘Comparison of different processing approaches by SVM and RF on HS-MS eNose and NIR Spectrometry data for the discrimination of gasoline samples’ y publicado en la revista Microchemical Journal, han analizado por separado la utilidad de ambos métodos en dos procesos diferentes, uno basado en algoritmos, instrucciones que procesan datos, y otro obteniendo mediciones químicas de gasolina. Asimismo, también han evaluado la eficacia de su combinación para discriminar y clasificar muestras de hidrocarburos
Mientras la nariz electrónica ofrece datos sobre el perfil volátil de las muestras, las técnicas espectroscópicas, por su parte, se centran en analizar los compuestos no volátiles. La unión de la información de ambas metodologías se usa para generar modelos predictivos que permiten discriminar y clasificar muestras de gasolina en función de su octanaje. “Esta combinación supone una alternativa real para automatizar el proceso del control de calidad de este derivado del petróleo, que actualmente depende de la experiencia del analista que realiza este trabajo”, explica la investigadora de la Universidad de Cádiz Marta Barea, responsable de este trabajo.
Marta Sepúlveda, responsable del estudio, junto a la nariz electrónica empleada en este trabajo.
Al proporcionar información concreta, las aplicaciones de esta nueva metodología en la industria petroquímica contribuyen en gran medida a optimizar los procesos de calidad, así como en otros ámbitos. “Con estos datos, las refinerías dispondrán de sistemas de gestión de calidad rápidos, en el momento y con un nivel de detalle muy preciso.
También es de gran utilidad en el ámbito de la química forense si, por ejemplo, se produce un incendio y es necesario determinar qué líquido inflamable lo ha originado y desde ahí seguir indicios hasta localizar su origen”, explica Barea.
Los modelos de identificación generados en este estudio pueden usarse para la creación de aplicaciones web para ordenadores, tablet y móviles y facilitar la automatización de los procesos de calidad de este derivado del petróleo. “Estos patrones pueden constituirse como una alternativa a los métodos de interpretación convencionales para que los analistas evalúen los resultados analíticos en un enfoque más rápido y, sobre todo, objetivo”, sugiere la autora de este trabajo.
Medición del octanaje
Para obtener estos resultados, estudiaron los datos de un total de 50 muestras de gasolina de 95 y 98 octanos, que analizaron mediante estas dos técnicas. Primero entrenaron el modelo, dándole a conocer el conjunto de toda la información a la que puede acceder. Con el fin de comprobar si también era capaz de interpretar nuevas muestras, incluían otros datos desconocidos para el modelo modelos desconocidos. “El objetivo de este proceso es saber qué algoritmo de aprendizaje automático técnica puede predecir correctamente si la gasolina es 95 o 98 octanos y la precisión de cada una de ellas”, argumenta la responsable del estudio.
Como conclusión, los expertos han obtenido buenos rendimientos en ambos algoritmos, permitiendo clasificar y determinar las muestras correctamente. No obstante, han observado que la nariz electrónica proporciona información más precisa de la gasolina según su octanaje debido a la clasificación de los compuestos volátiles. “Esta técnica, y concretamente el perfil aromático de las muestras, permite discriminar mejor la cantidad de octanos que contiene cada una”, sostiene Barea.
Atras, de izquierda a derecha: Jesús Ayuso, Gerardo Fernández y Miguel Palma. Fila de delante, de izquierda a derecha: Marta Ferreiro, Jose Luis Pérez y Marta Barea.
Este trabajo se ha realizado con fondos propios de la Universidad de Cádiz, del Instituto de Investigación Vitivinícola y Agroalimentario (IVAGRO), de Fondos FEDER y de la Consejería de Transformación Económica, Industria, Conocimiento y Universidades de la Junta de Andalucía.
Referencias
Marta Barea-Sepúlveda, Marta Ferreiro-González, José Luis P. Calle, Gerardo F. Barbero, Jesús Ayuso, Miguel Palma: ‘Comparison of different processing approaches by SVM and RF on HS-MS eNose and NIR Spectrometry data for the discrimination of gasoline samples’. Microchemical Journal. Enero 2022.
