Определение содержания нефти в сточных водах нефтепромыслов методом частичных наименьших квадратов и сверточной нейронной сети на основе спектра пропускания УФ-излучения и мутности

Для исследования содержания нефти с помощью УФ-спектрофотометрии отобраны пробы сточных вод нефтепромысла и измерены их УФ-пропускание и мутность. Для количественного анализа использованы метод частичных наименьших квадратов (PLS) и сверточные нейронные сети (CNN), основанные на наборе данных спектров УФ-пропускания. Коэффициент корреляции между содержанием нефти и мутностью сточных вод нефтепромысла 0.924 свидетельствует о линейной зависимости между содержанием нефти и мутностью. Мутность добавляется в набор данных для исследования ее влияния на точность прогноза. Показано, что точность моделей, построенных по коэффициенту пропускания и мутности, выше, чем у моделей, построенных только по коэффициенту пропускания, что подтверждается как для PLS, так и для CNN. При одинаковом составе набора данных модели PLS и CNN почти точны, но в целом CNN работает немного лучше. Положено начало прогнозированию нефтесодержания в сточных водах нефтепромыслов на основе УФспектрофотометрии и дальнейшему внедрению оперативного детектирования.

1. F. Al Jabri, L. Muruganandam, D. A. Aljuboury, Global NEST J., 21, No. 2, 204–210 (2019).

2. Xu Shirong, Duan Ming, Zhang Jian, Chem. Eng. Oil and Gas, 38, No. 3, 258–261 (2009).

3. C. Y. Wang, H. H. Jiang, J. W. Gao, J. L. Zhang, R. E. Zheng, Spectrosc. Spectr. Anal., 26, No. 6, 1080–1083 (2006).

4. Yang Haiya, Wu Liangzhuan, Yu Yuan, Zhi Jinfang, Chin. J. Spectrosc. Lab., 28, No. 6, 2770–2773 (2011).

5. P. D. Wentzell, D. T. Andrews, J. M. Walsh, J. M. Cooley, et al., Can. J. Chem., 77, No. 3, 391–400 (1999).

6. X. Bian, S. Li, L. Lin, X. Tan, Q. Fan, M. Li, Anal. Chim. Acta, 925, 16–22 (2016), doi: 10.1016/j.aca.2016.04.029.

7. Xiaojun Tang, Angxin Tong, Feng Zhang, Bin Wang, Sains Malaysiana, 49, No. 8, 1773–1785 (2020).

8. P. Li, J. Qu, Y.He, Z. Bo, M. Pei, RSC Adv., 10, No. 35, 20691–20700 (2020), doi: 10.1039/c9ra10732k.

9. W. S. Jia, H. Z. Zhang, J. Ma, G. Liang, J. H. Wang, X. Liu, Spectrosc. Spectr. Anal., 40, No. 9, 2981–2988 (2020).

10. X. W. Chen, G. F. Yin, N. J. Zhao, T. T. Gan, R. F. Yang, W. Zhu, J. G. Liu, W. Q. Liu, Spectrosc. Spectr. Anal., 39, No. 9, 2912–2916 (2019).

11. Wu Decao, Wei Biao, Tang Ge, Feng Peng, Tang Yuan, Liu Juan, Xiong Shuangfei, Acta Opt. Sin., 37, No. 2, 0230007 (2017).

12. Y. Hu, X. Wang, Sensors and Actuators B: Chem., 239, 718–726 (2017), doi: 10.1016/j.snb.2016.08.072.

13. E. Carré, J. Pérot, V. Jauzein, L. Lin, M. Lopez-Ferber, Water Sci. Technol., 76, No. 3, 633–641 (2017), doi: 10.2166/wst.2017.096.

14. B. Chen, H. Wu, S. F. Y. Li, Talanta, 120, 325–330 (2014), doi: 10.1016/j.talanta.2013.12.0.

15. X. Liu, L. Wang, Water Sci. Technol., 71, No. 10, 1444–1450 (2015), doi: 10.2166/wst.2015.110.

16. J. C. Cancilla, R. Aroca-Santos, K. Wierzchoś, J. S. Torrecilla, Chemom. Intell. Lab. Systems, 156, 102–107 (2016), doi: 10.1016/j.chemolab.2016.05.

17. Y. Chen, L. Song, Y. Liu, L. Yang, D. Li, Appl. Sci., 10, No. 17, 5776 (2020), doi: 10.3390/app10175776.

18. G. Puertas, M. Vázquez, J. Food Comp. Anal., 86, 103350 (2020), doi: 10.1016/j.jfca.2019.10335.

19. B. Wei, K. Hao, X. Tang, Y. Ding, Textile Res. J., 004051751881365 (2018), doi: 10.1177/0040517518813656.

20. L. Norgaard, A. Saudland, J. Wagner, et al., Appl. Spectrosc., 54, No. 3, 413–419 (2000).

21. F. Al Jabri, L. Muruganandamand, D. A. Aljuboury, Global NEST J., 21, No. 2, 204–210 (2019).