Prediction of biodiesel blend properties using machine learning techniques

Abstract

Bu çalışma, pratik yakıt deneylerini modern makine öğrenimi yöntemleriyle birleştirerek biyodizel-dizel-alkol yakıt karışımlarının temel özelliklerini anlamak ve iyileştirmek için entegre bir yaklaşım oluşturduğu için önemlidir. Bu çalışmada, kanola yağından biyodizel, optimum koşullar altında (1:6 metanol/yağ mol oranı, %0,5 NaOH katalizörü) gerçekleştirilen transesterifikasyon yoluyla sentezlenmiş ve tam FAME dönüşümü sağlanarak sonraki analizler için bir referans oluşturulmuştur. Fizikokimyasal değerlendirme, sıcaklık (10-40 °C) ve alkol oranı arttıkça yoğunluğun azaldığını göstermiştir. Biyodizel oranı yüksek karışımlar, dizel oranı yüksek karışımlara göre daha yüksek yoğunluk değerleri sergilemiştir (10 °C'de 0,862 g/cm³; 40 °C'de 0,822 g/cm³). Viskozite benzer eğilim göstermiş, sıcaklık arttıkça 8,6 cP'den 4,9 cP'ye düşmüştür. Propanol içeren karışımlar, etanol içerenlere göre biraz daha düşük viskoziteler göstermiştir. Üstel modelleme, adjR² = 0,9957 ile Newton tipi olmayan, kesme kalınlaşması davranışını doğrulamıştır. Setan sayısı analizine göre, dizel oranı yüksek karışımlar 55'in üzerinde değerlere ulaşırken, yüksek alkol içeren karışımlarda belirgin düşüşler gözlenmiştir (örneğin 85D5B10AE = 49,63). Propanol, etanolü yaklaşık 1-2 setan sayısı birimiyle aşarken, biyodizel yalnızca sınırlı bir ateşleme kalitesi artışı sağlamıştır. FTIR spektrumları, 1740 cm?¹'deki ester karbonil pikiyle biyodizelin varlığını doğrulamış, pik şiddeti biyodizel konsantrasyonu ile doğru orantılı olarak artmıştır; alkol katkısının ise seyreltme etkisi oldukça sınırlı kalmıştır. Kırılma indisi, düşük dizel oranlı karışımlarda 1,4524'ten yüksek dizel oranlı karışımlarda 1,4575'e kadar değişmiş; alkol ilavesi kırılma indisinde yaklaşık 0,003-0,005 değerinde azalmaya neden olmuştur. UV/Vis spektrumları özellikle 350-400 nm aralığında monoton olmayan absorbans eğrileri göstermiş; bu durum biyodizeldeki ???* geçişleri ve etanolün polarite etkilerine bağlanmıştır. Makine öğrenimi incelemesi, özelliklerle karışım bileşimi arasındaki doğrusal olmayan ilişkiyi doğrulamıştır. Gaussian Process Regression (GPR), yoğunluk (R² = 0,9743), viskozite (R² = 0,9636) ve kırılma indisi (R² = 0,9563, RMSE = 3,77) tahmininde en yüksek doğruluğu sağlamıştır. Yapay Sinir Ağları (ANN), dizel (R² = 0,9491) ve biyodizel (R² = 0,9701) bileşimi tahmininde üstün performans göstermiştir. Destek Vektör Regresyonu (SVR) da güçlü sonuçlar vermiştir (R²> 0,92), buna karşın ağaç tabanlı yöntemler (RFR, DTR) orta düzeyde doğruluk elde etmiştir (R² = 0,83-0,89). Doğrusal regresyon ise genellikle başarısız olmuş ve bileşim tahmininde negatif R² değerleri üretmiştir. Genel olarak, bu sonuçlar gelişmiş doğrusal olmayan modellerin özellikle GPR, ANN ve SVR'nin karmaşık üçlü karışım davranışlarını tahmin etmede güvenilir ve genelleştirilebilir araçlar sunduğunu ve sürdürülebilir yakıt geliştirme çalışmalarında kritik öneme sahip olduğunu göstermektedir.This study is significant because it connects practical fuel experiments with modern machine learning methods, creating a combined approach to understand and improve the key properties of biodiesel-diesel-alcohol fuel blends for cleaner and more sustainable energy use. In this study, biodiesel was synthesized from canola oil underwent transesterification under optimal circumstances (1:6 methanol-to-oil ratio, 0.5 wt% NaOH), achieving complete FAME conversion and establishing a benchmark for later analysis. Physicochemical evaluation indicated that density diminished with increasing temperature (10-40 °C) and alcohol concentration, with biodiesel-rich blends exhibiting superior values (0.862 g/cm³ at 10 °C) relative to diesel-rich blends (0.822 g/cm³ at 40 °C). Viscosity demonstrated comparable patterns, declining from 8.6 cP to 4.9 cP throughout the temperature spectrum, with propanol-based blends exhibiting marginally lower viscosities than their ethanol-based counterparts. An exponential model confirmed non-Newtonian, shear-thickening behavior with Adj. R² = 0.9957. Cetane number analysis demonstrated that diesel-rich blends achieved values above 55, while high-alcohol blends showed sharp reductions (e.g., 85D5B10AE = 49.63). Propanol consistently surpassed ethanol by approximately 1-2 cetane number units, although biodiesel exhibited only a slight enhancement in ignition quality. FTIR spectra validated the presence of biodiesel by the ester carbonyl peak at 1740 cm?¹, with intensity correlating directly to biodiesel concentration, whereas alcohol contributed minimally to dilution. The refractive index varied from 1.4524 for low diesel to 1.4575 for heavy diesel, with the incorporation of alcohol reducing the refractive index by around 0.003 to 0.005. UV/Vis spectra demonstrated non-monotonic absorbance patterns, especially in the 350-400 nm range, attributed to biodiesel ???* transitions and ethanol-induced polarity effects. The machine learning investigation validated the nonlinear relationship between characteristics and blend composition. Gaussian Process Regression (GPR) attained the maximum predictive accuracy for density (R² = 0.9743), viscosity (R² = 0.9636), and refractive index (R² = 0.9563, RMSE = 3.77), whereas Artificial Neural Networks (ANN) excelled in predicting the composition of diesel (R² = 0.9491) and biodiesel (R² = 0.9701). SVR performed strongly (R²> 0.92), whereas tree-based methods (RFR, DTR) achieved moderate accuracy (R² = 0.83-0.89). Linear regression frequently failed, with negative R² in composition estimation. Collectively, these results demonstrate that advanced nonlinear models, particularly GPR, ANN, and SVR, provide reliable, generalizable tools for predicting complex ternary blend behaviors critical to sustainable fuel development composition estimation. Collectively, these results demonstrate that advanced nonlinear models, particularly GPR, ANN, and SVR, provide reliable, generalizable tools for predicting complex ternary blend behaviors critical to sustainable fuel development.