Se preparó el catalizador MoNi utilizando precursores de molibdato de amonio y acetato de níquel
tetrahidratado. Tras la disolución de los precursores, se refluxó la solución a 160°C durante 12
horas y se realizó la calcinación a 350°C. Se utilizaron muestras de modelo de petróleo con
concentraciones variables de dibenzotiofeno (DBT) para los experimentos.
The MoNi catalyst was prepared using precursors of ammonium molybdate and nickel acetate
tetrahydrate. After dissolving the precursors, the solution was refluxed at 160°C for 12 hours,
followed by calcination at 350°C. Model oil samples with varying concentrations of
dibenzothiophene (DBT) were used for the experiments.
Español:
La emisión de %SO2 se estimó en base a la diferencia porcentual entre el azufre en el combustible
de alimentación y el azufre restante después del proceso de catálisis, multiplicado por la relación
molar entre los óxidos de azufre y los compuestos de azufre. En los experimentos de laboratorio se
consideraron diferentes configuraciones de parámetros experimentales. Por ejemplo, los
experimentos del 1 al 3 muestran los efectos de la dosis del catalizador y la concentración inicial de
azufre en el proceso de desulfuración, mientras que la temperatura y la presión fueron iguales en
estos experimentos. La eliminación de azufre fue inicialmente mínima, pero aumentó
drásticamente al aumentar la temperatura del reactor de entrada y la presión a 450°C y 100 bares,
respectivamente (como se muestra en los experimentos del 36 al 40). Es evidente que aumentar la
temperatura y la presión del reactor, así como la cantidad de catalizador inyectado, ayuda en gran
medida a la descomposición del azufre. Sin embargo, hay aspectos que deben tenerse en cuenta,
como el impacto negativo en el medio ambiente y el costo adicional.
Para proporcionar información valiosa sobre el conjunto de datos, la Tabla 1 presenta el análisis
estadístico descriptivo. Muestra varios análisis estadísticos de los descriptores (factores de
entrada) y los tres objetivos (concentración final de azufre, porcentaje de emisión de SO2 y costo
HDS).
Por lo general, se utiliza el análisis de correlación lineal como guía para identificar factores
(variables de entrada) que se pueden usar en la modelización de resultados, especialmente si hay
un gran número de variables que no están todas estrechamente relacionadas con el objetivo
(resultado). Se define un umbral mínimo de correlación para determinar si se utilizarán o no las
variables de entrada en la modelización. La Tabla 2 muestra los coeficientes de correlación lineal
de Pearson calculados entre los valores de cada par en el conjunto de datos. La ecuación (2) ilustra
la fórmula utilizada para calcular los coeficientes de correlación lineal y sus niveles de significancia
entre los factores de datos. El valor ideal para RHO es ± uno.
r = (RHO) = (2) donde n indica el número de puntos de datos, xi y yi son los puntos de datos
individuales indexados con i, xi y análogamente para y.
En nuestro experimento, hemos calculado los coeficientes de correlación para las cuatro variables
de entrada frente a los tres objetivos. Supongamos que el umbral seleccionado del coeficiente de
correlación es 0.5 en magnitud. Para el primer objetivo "concentración de azufre", solo
"Temperatura" y "Concentración inicial de azufre" cumplen esta condición (-0.52 y -0.69). Para el
segundo objetivo "%SO2 de emisión", solo una variable de entrada "Temperatura" cumple la
condición con RHO = -0.85. De manera similar, solo una variable de entrada "Presión" cumple la
condición para el tercer objetivo "costo HDS" con RHO = 0.86.
Inglés:
%SO2 emission was estimated based on the percentage ratio of difference between sulfur in the
feed
fuel and sulfur remaining after the catalysis process multiplied by the mole ratio between sulfur
oxide and sulfur compounds. Different settings of experimental parameters were considered in the
laboratory experiments. Experiments 1-3 investigated the effects of catalyst dose and initial sulfur
concentration on the desulfurization process, while keeping temperature and pressure constant.
Initially, sulfur elimination was minimal, but it increased significantly when the inlet reactor
temperature and pressure were raised to 450 °C and 100 bar, respectively (as observed in
experiments 36-40). Increasing reactor temperature, pressure, and catalyst dosage greatly aided in
sulfur decomposition. However, environmental impact and additional cost should be taken into
consideration.
Table 1 presents a descriptive statistical analysis to provide valuable insights into the dataset,
including input factors (descriptors) and three objectives (final sulfur concentration, %SO2
emission, and HDS cost). Linear correlation analysis is commonly used to identify relevant input
variables for modeling outputs. A minimum correlation threshold, typically 0.5, is defined to select
the input variables. Table 2 shows the Pearson linear correlation coefficients calculated between
each pair of values in the dataset. Equation (2) illustrates the formula used to calculate the
correlation coefficients and their significance levels. The ideal value for RHO is ±1.
r = (RHO) = (2) where n represents the number of data points, xi and yi are individual data points
indexed with i, xi, and yi for x and y, respectively.
In our experiment, we calculated the correlation coefficients for the four input variables against
the three objectives. Assuming a correlation coefficient threshold of magnitude 0.5, only
"Temperature" and "Initial sulfur concentration" meet the condition for the first target, "sulfur
concentration" (-0.52 and -0.69). For the second target, "%SO2 emission," only one input variable,
"Temperature," satisfies the condition with RHO = -0.85. Similarly, only one input variable,
"Pressure," meets the condition for the third target, "HDS cost," with RHO = 0.86.
Español:
Se estimó la emisión de %SO2 en base a la diferencia porcentual entre el azufre en el combustible
de alimentación y el azufre restante después del proceso de catálisis, multiplicado por la relación
molar entre los óxidos de azufre y los compuestos de azufre. Los experimentos de laboratorio
consideraron diferentes configuraciones de parámetros experimentales. Los experimentos del 1 al
3 analizaron los efectos de la dosis del catalizador y la concentración inicial de azufre en el proceso
de desulfuración, manteniendo constante la temperatura y la presión. Inicialmente, la eliminación
de azufre fue mínima, pero aumentó significativamente al elevar la temperatura del reactor de
entrada y la presión a 450 °C y 100 bares, respectivamente (como se observó en los experimentos
del 36 al 40). Aumentar la temperatura, la presión y la dosis del catalizador ayudó
considerablemente a la descomposición del azufre. Sin embargo, se deben considerar el impacto
ambiental y el costo adicional.
La Tabla 1 presenta un análisis estadístico descriptivo para obtener información valiosa sobre el
conjunto de datos, incluyendo los factores de entrada (descriptores) y los tres objetivos
(concentración final de azufre, emisión de %SO2 y costo HDS). El análisis de correlación lineal se
utiliza comúnmente para identificar las variables de entrada relevantes para la modelización de los
resultados. Se establece un umbral mínimo de correlación, generalmente 0.5, para seleccionar las
variables de entrada. La Tabla 2 muestra los coeficientes de correlación lineal de Pearson
calculados entre cada par de valores en el conjunto de datos. La ecuación (2) ilustra la fórmula
utilizada para calcular los coeficientes de correlación y sus niveles de significancia. El valor ideal
para RHO es ±1.
En nuestro experimento, calculamos los coeficientes de correlación para las cuatro variables de
entrada en relación con los tres objetivos. Suponiendo un umbral de correlación de magnitud 0.5,
solo "Temperatura" y "Concentración inicial de azufre" cumplen la condición para el primer
objetivo, "concentración de azufre" (-0.52 y -0.69). Para el segundo objetivo, "%SO2 de emisión",
solo una variable de entrada, "Temperatura", satisface la condición con RHO = -0.85. De manera
similar, solo una variable de entrada, "Presión", cumple la condición para el tercer objetivo, "costo
HDS", con RHO = 0.86.
Inglés:
%SO2 emission was estimated based on the percentage ratio of difference between sulfur in the
feed fuel and sulfur remaining after the catalysis process multiplied by the mole ratio between
sulfur oxide and sulfur compounds. Different settings of experimental parameters were considered
in the laboratory experiments. Experiments 1-3 investigated the effects of catalyst dose and initial
sulfur concentration on the desulfurization process, while keeping temperature and pressure
constant. Initially, sulfur elimination was minimal, but it increased significantly when the inlet
reactor temperature and pressure were raised to 450 °C and 100 bar, respectively (as observed in
experiments 36-40). Increasing reactor temperature, pressure, and catalyst dosage greatly aided in
sulfur decomposition. However, environmental
Español:
SVM es reconocido como una de las tecnologías de ML que ha recibido un interés creciente por
parte de los investigadores. La escalabilidad de datos de alta dimensión, así como la relativa
facilidad de aprendizaje, son fortalezas de SVM. SVM implementa el principio de minimización del
0. La norma de los vectores w debe minimizarse para encontrar el hiperplano óptimo: {x ∈ S(w,x) +
riesgo estructural y crea un hiperplano de separación óptimo representado por la fórmula w.x + b =
b = 0}. Simultáneamente, el margen 1/||w|| debe maximizarse entre las dos clases según se
muestra en la ecuación (3).
En inglés:
SVM is recognized as one of the ML technologies that received increasing interest from researchers
[36]. The scalability of high-dimensional data as well as the relative ease of learning formed the
SVM strengths. SVM implements the principle of Structural Risk Minimization [37], and it creates
should be minimized in order to find the optimal hyperplane: {x ∈ S(w,x) + b = 0}. Simultaneously,
an optimal separating hyperplane represented by the formula w.x + b = 0. The norm of vectors w
the margin 1/||w|| needs to be maximized between two classes as shown in Eq. (3).
Español:
Como una heurística de búsqueda exitosa, el algoritmo genético se inspiró en la teoría de la
evolución natural de Darwin para identificar soluciones óptimas utilizando selecciones naturales
iterativas. Se ha aplicado en la resolución de varios problemas de optimización, ya que explora
eficientemente grandes espacios de búsqueda. Los mecanismos de selección natural que emplea el
algoritmo genético le permiten escapar de mínimos o máximos locales [40].
Por lo general, la construcción de un modelo SVM implica el ajuste fino de varios parámetros para
un conjunto de datos dado. Estos parámetros pueden incluir la selección del tipo de kernel,
términos del kernel, términos de regularización, características de los datos, épocas de
entrenamiento, etc. El objetivo principal de la optimización de un modelo es determinar los
mejores parámetros posibles del modelo, que están estrechamente relacionados con la resolución
del problema en cuestión. Esta optimización del SVM se realiza a menudo de manera empírica y
manual. En esta configuración, un investigador fija un parámetro mientras que otros quedan libres
y registra sus observaciones en las fases de entrenamiento y validación. Después de mucho
tiempo, el investigador puede llegar a una solución que podría ser propensa a caer en una trampa
de mínimo local debido al gran espacio de búsqueda y la posibilidad de pasar por alto otras
soluciones óptimas. En otras palabras, este escenario es laborioso y consume mucho tiempo.
En este trabajo, utilizamos el algoritmo genético como un algoritmo secundario para buscar y
descubrir los parámetros óptimos del SVM de manera automatizada. La Figura 2 representa el
proceso de optimización utilizado.
Inglés:
As a successful search heuristic, the genetic algorithm was inspired by Darwin's theory of natural
evolution to identify optimum solutions using iterative natural selections. It has been applied to
solving several optimization problems as it efficiently explores large search spaces. The natural
selection mechanisms employed by the genetic algorithm allow it to escape from local minima or
maxima [40].
Usually, building an SVM model involves fine-tuning several parameters for a given dataset. These
parameters may include the selection of kernel type, kernel terms, regularization terms, data
features, training epochs, etc. The main goal of optimizing a model is to determine the best
possible model parameters, which are closely tied to solving the problem at hand. Such SVM
optimization is often done empirically and manually. In this setting, a researcher often fixes one
parameter while others are set free and records their observations during the training and
validation phases. After a long time, the researcher may end up with a solution that could be prone
to either a local minimum trap due to the huge search space and the possibility of overlooking
other optimal solutions. In other words, such a scenario is laborious and time-consuming.
In this work, we employed the genetic algorithm as a secondary algorithm to search and discover
the optimum SVM parameters in an automated style. Figure 2 depicts the optimization process
used.