MARC

 008260126s2025        us                              c    eng  d
■001000017360849
■00520260202105628
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265428851
■035    ▼a(MiAaPQ)AAI32316574
■035    ▼a(MiAaPQ)Stanfordqd079tm0680
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a547.3
■1001  ▼aVenkata,  Vivek  Boddapati.
■24510▼aInfrared  Spectra-Based  Predictive  Methods  for  Characterizing  the  Fuels  of  Tomorrow
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a182  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisor:  Hanson,  Ronald.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aDecarbonization  of  energy  systems  that  drive  the  transportation  industry  is  imperative  for  effectively  mitigating  global  greenhouse  gas  emissions.  In  this  pursuit,  the  transition  towards  scalable  and  sustainable  fuels  will  play  a  key  role.  Decarbonizing  the  aviation  sector  is  particularly  difficult,  because  of  the  challenges  of  implementing  emerging  energy  technologies  on  aircraft.  Sustainable  aviation  fuels  (SAFs),  which  are  hydrocarbon-based  fuels  derived  from  non-petroleum  feedstocks,  are  expected  to  play  a  key  role  in  combating  aviation-related  emissions  in  the  coming  decades.  Since  these  fuels  are  intended  to  be  "drop-in"  replacement  to  conventional  jet  fuels,  they  are  subject  to  stringent  restrictions  on  their  compositions  and  properties.  The  present  regulatory  approval  process  for  SAFs  is  costly,  time-consuming,  and  requires  thousands  of  gallons  of  fuel  for  comprehensive  testing.  In  an  effort  to  lower  the  cost,  time,  fuel  volumes,  and  risk  associated  with  SAF  certification,  this  dissertation  develops  a  novel  prescreening  methodology  based  on  Fourier  Transform  Infrared  (FTIR)  spectroscopy  to  rapidly  assess  key  fuel  properties  and  combustion  behavior.In  the  initial  part  of  this  dissertation,  two  chemometric  strategies  were  developed  based  on  vapor-phase  FTIR  spectra  of  jet  fuel-relevant  hydrocarbon  fuels  in  the  2--15.38  micron  wavelength  range  for  predicting  the  eight  physical  and  chemical  properties  of  SAFs:  molecular  weight  (MW),  hydrogen-to-carbon  (H/C)  ratio,  density,  net  heat  of  combustion  (NHC),  derived  cetane  number  (DCN),  threshold  sooting  index  (TSI),  flash  point,  and  kinematic  viscosity  (KV).  The  physical  and  chemical  properties  of  the  fuels  in  the  training  dataset  were  sourced  either  from  experimental  data  reported  in  the  literature  or  calculated  using  relevant  property  blending  correlations.  Elastic-net-regularized  linear  models  were  first  trained  for  each  property  by  optimizing  model  parameters  using  a  cross-validated  grid  search.  The  results  from  these  models  were  compared  with  the  results  from  previous  models  (Lasso-regularized  linear  models  developed  by  Wang  et  al.  at  Stanford),  which  were  trained  on  FTIR  absorption  spectra  across  the  limited  wavelength  range  of  3.3--3.55~μm.  Use  of  the  extended  wavelength  range  and  the  new  model-parameter  optimization  strategy  resulted  in  significant  improvement  in  predictive  performance  of  the  current  models  compared  to  the  previous  models  for  all  eight  properties.  Subsequently,  nonlinear  support  vector  regression  (SVR)  models  were  trained  to  achieve  greater  prediction  accuracy  on  properties  such  as  DCN  and  flash  point.  The  performance  of  the  linear  and  nonlinear  models  was  evaluated  on  a  candidate  SAF.  Both  the  models  showed  high  prediction  accuracy  on  this  test  fuel  for  all  properties,  and  outperformed  standard  ASTM  test  methods  in  terms  of  prediction  error.In  the  later  part  of  this  dissertation,  a  series  of  shock  tube  experiments  were  conducted  to  study  the  pyrolysis  of  15  neat  hydrocarbons  belonging  to  different  molecular  classes.  Through  these  experiments,  clear  empirical  trends  were  observed  in  intermediate  formation  with  varying  molecular  structure,  thereby  laying  a  strong  foundation  for  modeling  the  high-temperature  chemistry  based  on  fuel  composition.  Leveraging  the  strong  sensitivity  of  combustion  behavior  to  fuel  structure,  a  new  concept,  called  IR-HyChem  was  introduced.  This  approach  aims  to  develop  compact,  fuel-specific  Hybrid  Chemistry  (HyChem)  models  for  real  fuels  solely  on  the  basis  of  their  FTIR  spectra.  A  detailed  methodology  was  proposed  for  determining  the  relevant  model  parameters.  The  approach  was  then  applied  to  a  real  fuel  (Jet-A),  and  the  resulting  IR-HyChem  model  was  validated  using  global  shock  tube  ignition  delay  time  (IDT)  measurements.  The  IR-HyChem  model  was  found  to  accurately  predict  IDTs  across  a  wide  range  of  test  conditions.  A  detailed  analysis  was  conducted  to  identify  feasible  sets  of  IR-HyChem  parameters.  The  uncertainty  in  IDT  predictions  stemming  from  the  variability  in  model  parameters  was  observed  to  be  comparable  to  experimental  uncertainty.  The  IR-HyChem  prediction  uncertainty  for  IDTs  was  similar  to,  if  not  lower  than,  that  of  the  traditional  HyChem  model.Overall,  the  work  presented  in  this  dissertation  demonstrated  the  utility  of  predictive  models  based  on  extended-wavelength  FTIR  spectra  as  an  effective  low-volume  prescreening  method  for  characterizing  the  properties  and  combustion  behavior  of  new  sustainable  aviation  fuel  candidates. 
■590    ▼aSchool  code:  0212.
■650  4▼aHydrocarbons
■650  4▼aMolecular  structure
■650  4▼aAviation  fuel
■650  4▼aCarbon
■650  4▼aReproducibility
■650  4▼aMethane
■650  4▼aIndustrial  engineering
■653    ▼aGreenhouse  gas  emissions
■653    ▼aSustainable  aviation  fuels
■690    ▼a0546
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360849▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books