محدوده

تقطیر (ASTM D-86)
اولین قطره تقطیر شده
۱۰ درصد تقطیر شده
۵۰ درصد تقطیر شده
۹۰ درصد تقطیر شده
نقطه جوش نهایی

°C

گزارش شود
۶۵ Max
۱۱۵ Max
۱۹۰ Max
۲۱۵ Max

فشار بخار(ASTM D-)
از اول آذر تا آخر اسفند
از اول فروردین تا آخر اردیبهشت
از اول خرداد تا آخر شهریور
از اول مهر تا آخر آبان

کیلو پاسکال

Max 69
Max 62
Max 55
Max 62

گوگرد(ASTM D-)

درصد وزنی

۰٫۱ Max

عدد اکتان پژوهش (ASTM D-2699)

—

۸۷ Min

^{جدول (۴-۱) مشخصات بنزین موتور مطابق استاندارد شرکت ملی نفت ایران [۵].}
البته همانگونه که بیان شد از میان مشخصات فوق، عدد آرام­سوزی از اهمیت بسیار بیشتری برخوردار است. مطمئناً هر چه تعداد نمونه­های مورد استفاده در مدل­سازی بیشتر باشد نتایج دقیق­تر و بهتری به­دست خواهد آمد.در این فصل جمع آوری و تجزیه تحلیل داده ها بررسی می گردد.
۴-۲٫ جمع­آوری داده های تجربی
جمع­آوری داده ­ها برای مدل­سازی بی­شک یکی از حساس­ترین مراحل این تحقیق بوده است. داده ­های مورد استفاده در این تحقیق با بهره گرفتن از نتایج آزمایشات تجربی انجام شده توسط نگارنده در آزمایشگاه کنترل کیفیت شرکت ملی پخش فرآورده ­های نفتی منطقه آذربایجان­شرقی و همچنین داده ­های موجود در آزمایشگاه مرکزی شرکت ملی پخش فراورده های نفتی ایران (مرکزی ری) جمع­آوری گردیده است. آزمایش تقطیر مطابق استاندارد ASTM – D86 و اندازه ­گیری عدد آرام­سوزی مطابق استاندارد ASTM-D2699 و دستگاه Portable cotane انجام شده است. داده ­های جمع آوری شده۵۷۷ سری داده­ی مختلف مربوط به بنزین­موتور می باشند. کارایی و اعتبار یک شبکه عصبی مصنوعی و هر مدل تجربی هنگامی برآورده می­ شود که مجموعه داده ­های ارائه شده به مدل کاملاً مبین و نمایشگر خواص و ویژگی­های حوزه­ مورد مطالعه باشد. یعنی از تمامی نواحی سیستم مورد نظر، نمونه وجود داشته باشد و تنوع در مجموعه داده­­ها نیز زیاد باشد. همچنین مجموعه داده ­ها باید به اندازه کافی بزرگ باشند. بنابراین در جهت نیل به اهداف تحقیق مورد مطالعه، حداکثر تلاش برای دست­یابی به داده ­های تجربی با دقت و قطعیت بالا جهت مدل­سازی صورت گرفته است.

۴-۳٫ آنالیز آماری داده ها
ازآنجاییکه سیستم هوشمند انتخاب شده جهت جهت پیش بینی عدد­آرام­سوزی بنزین­موتور برمبنای شبکه ­های­عصبی مصنوعی کار خواهد کرد، لذا لازم است که اطلاعات میدانی جمع­آوری شده به­صورتی­که مورد نیاز شبکه عصبی می­باشد در نرم­افزار MATLAB ویرایش شوند.
شبکه ­های عصبی براساس روابط منطقی مشابه با دریافت یکسری اطلاعات ورودی وتجزیه و تحلیل این اطلاعات ارتباطی منطقی بین داده ­ها برقرارمی­کندکه ممکن است غیرخطی و نامشخص باشد. سپس با بهره گرفتن از این ارتباط منطقی کار شبیه سازی را برای موارد مشابه انجام می­دهد. پس ما نیازمند یک­سری اطلاعات به­عنوان ورودی و یک­سری اطلاعات به­عنوان هدف هستیم. که اطلاعات مربوط به داده ­های تقطیر به­عنوان ورودی و عدد آرام سوزی به­عنوان هدف ویرایش خواهند شد.