Nový postup pro predikci výtěžků produktů ethylenové pyrolýzy na základě náhradní charakterizace suroviny

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F60461373%3A22310%2F05%3A00013511" target="_blank" >RIV/60461373:22310/05:00013511 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

A Novel Approach for the Prediction of Hydrocarbon Thermal Cracking Product Yields from the Substitute Feedstock Composition

Popis výsledku v původním jazyce

A method has been developed to estimate cracking yields for complex hydrocarbon mixtures based on introducing the concept of substitute mixtures of real components. A set of 20 substitute components has been selected according to the true boiling pointsand densities of atmospheric gas oil distillation cuts. An artificial neural network trained by the full-scale experiments of naphthas cracking provides the prediction of the gas oil cracking yields. The disintegration of individual hydrocarbons into nine structural increments has been proposed for the uniform characterization of naphthas and substitute gas oil. Using the neural network, the yields of gas oil cracking in an industrial reactor can be predicted.

Název v anglickém jazyce

A Novel Approach for the Prediction of Hydrocarbon Thermal Cracking Product Yields from the Substitute Feedstock Composition

Popis výsledku anglicky

A method has been developed to estimate cracking yields for complex hydrocarbon mixtures based on introducing the concept of substitute mixtures of real components. A set of 20 substitute components has been selected according to the true boiling pointsand densities of atmospheric gas oil distillation cuts. An artificial neural network trained by the full-scale experiments of naphthas cracking provides the prediction of the gas oil cracking yields. The disintegration of individual hydrocarbons into nine structural increments has been proposed for the uniform characterization of naphthas and substitute gas oil. Using the neural network, the yields of gas oil cracking in an industrial reactor can be predicted.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

CI - Průmyslová chemie a chemické inženýrství

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2005

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Chemical Engineering Technology

ISSN

0930-7516

e-ISSN

—

Svazek periodika

28

Číslo periodika v rámci svazku

10

Stát vydavatele periodika

DE - Spolková republika Německo

Počet stran výsledku

11

Strana od-do

1166-1176

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—