Спектральные характеристики очищенных топлив и их бинарных смесей при нестандартных температурах

Изучены проблема смешивания топлив при последовательной транспортировке очищенного топлива и влияние температуры на определение качества очищенного топлива. Для определения качества очищенного топлива проведены эксперименты по спектроскопии пропускания в УФ-видимом диапазоне бензина 92#, дизельного топлива и их смесей при различных температурах. Проанализировано влияние температуры на спектр пропускания и получены соответствующие уравнения.  На основе модели инверсии двойной толщины получены оптические константы смешанных очищенных топлив на длинах волн УФ-видимого диапазона и проанализировано влияние температуры  на оптические константы. Для заданного оптического диапазона пропускание смешанного топлива постепенно увеличивается с ростом температуры. Температура оказывает определенное влияние на оптическую константу очищенного топлива; получены соотношения между пропусканием очищенного топлива и изменением температуры при 364, 378 и 394 нм. Длины волн выбраны на основе 

комбинации характеристических спектров, рассчитанных с помощью генетического алгоритма. Полученное соотношение позволяет эффективно устранить влияние температурных изменений  на спектры пропускания очищенного топлива для повышения точности обнаружения. 

1. C. C. Wang, J. Y. Tan, Y. Q. Ma, L. H. Liu, Appl. Opt., 56, No. 18, 5156–5163 (2017).

2. C. C. Wang, J. Y. Tan, C. Y. Jing, L. H. Liu, Appl. Opt., 57, No. 12, 3003–3011 (2018).

3. D. Zhao, L. Yang, X. Y. Zhang, D. Li, Optik, 167, 37–41 (2018).

4. B. Kanyathare, B. Asamoah, K. E. Peiponen, Opt. Rev., 26, No. 1, 85–94 (2019).

5. K. N. Ahmadova, Int. J. Modern Phys. B, 34, No. 8, 2050058(1–7) (2020).

6. K. N. Ahmadova, Int. J. Modern Phys. B, 35, No. 25, 2150241 (2020).

7. Z. Q. Liao, L. Y. Song, P. Chen, S. L. Zuo, IEEE Sensors J., 17, No. 19, 6340–6349 (2017).

8. N. Vazquez-Osorio, J. Castro-Ramos, J. J. Sanchez-Escobar, Appl. Spectrosc., 17, No. 9, 1009–1024 (2023).

9. F. Chollet, Deep Learning with Python, Simon and Schuster (2021).

10. J. Schmidhuber, Deep Learning in Neural Networks, 61, 85–117 (2015).