Uusiutuvan polttoaineen pitoisuuden määritys seoksesta mallintamisen avulla : Meriliikenne ja työkoneet

Abstract

Päästövähennysten tavoitteisiin pääsemisen vuoksi fossiilisille polttoaineille tarvitaan vähähiilipäästöisiä vaihtoehtoja. Uusiutuvien polttoaineiden mallintaminen on tärkeää, koska tarvitaan tietoa eri lähtömateriaaleista valmistetuista polttoaineista, kuin myös eri tarkoituksiin soveltuvista polttoaineista. Tässä kandidaatintutkielmassa käydään läpi uusiutuvien polttoaineiden ominaisuuksia ja sitä, miten ominaisuuksia voi mallintaa. Aihe on rajattu meriliikenteen ja työkoneiden käyttöön soveltuviin nestemäisiin dieselpolttoaineisiin.

Uusiutuvia dieselpolttoaineita valmistetaan useista lähtömateriaaleista, ja uusia mahdollisuuksia tutkitaan ja kehitetään. Tehokkaan palamisen takaamiseksi polttoaineiden ominaisuudet täytyy optimoida, ja tällöin päästöt vähenevät todenmukaisesti. Mallintamisesta on paljon kirjallisuutta myös muilta aloilta kuin polttoainetutkimuksesta. Taustamateriaalina tässä tutkielmassa on käytetty polttoainetutkimuksien lisäksi kemiantutkimuksia, lääketutkimuksia ja tekoälytutkimuksia. Kirjallisuuskatsauksessa on koottu tapoja mallintaa uusiutuvia polttoaineseoksia.

Spektroskopiassa on eri aallonpituuksiin ja eri laskutapoihin liittyviä keinoja tutkia polttoaineiden ominaisuuksia. Monia polttoaineiden kemiallisia ominaisuuksia mallinnetaan onnistuneesti kirjallisuudessa tekoälyn avulla. Monen mallin ja tekoälyn lopputulos vastaa hyvin kokeellisesti testattua, ja tämä antaa vahvistuksen sille, että tekoälyn käyttö polttoaineiden ominaisuuksien arvioinnissa on kannattavaa. Perinteisiä kemometrian tapoja kannattaa käyttää tulosten tarkistamiseen, koska tekoälyn laskentaperusteita ei kyetä välttämättä tarkastamaan. Tekoälyn päättelyketjun askeleita on mahdoton tarkastaa jälkikäteen, joten tulosten tarkastamisella voi arvioida luotettavuutta.

Tekoälyä hallitusti käyttämällä saadaan luotettavia tuloksia, joita kannattaa varmentaa fyysisillä mittauksilla. Monia mittaus- ja mallinnustapoja kannattaa käyttää rinnakkain, ja valita tutkimuskohteeseen sopivat aineistot ja menetelmät. Monessa tutkimuksessa käytetään tekoälyä, joka voi antaa mahdollisuudet laajempaan tietoaineistoon, monimutkaisempiin laskuihin ja nopeuttaa ja optimoida mallinnusta. Kvanttitietokoneilla käyttöön saa laajat aineistot, mutta kvanttitietokoneiden käyttö tutkimuksessa ei ole vielä yleistä.