The pH value in bioethanol is a quality control parameter related to its acidity and to the corrosiveness of vehicle engines when it is used as fuel. In order to verify the comparability and reliability of the measurement of pH in bioethanol matrix among some experienced chemical laboratories, reference material (RM) of bioethanol developed by Inmetro - the Brazilian National Metrology Institute - was used in a proficiency testing (PT) scheme. There was a difference of more than one unit in the value of the pH measured due to the type of internal filling electrolytic solutions (potassium chloride, KCl or lithium chloride, LiCl) from the commercial pH combination electrodes used by the participant laboratories. Therefore, bimodal distribution has occurred from the data of this PT scheme. This work aims to present the possibilities that a PT scheme provider can use to overcome the bimodality problem. Data from the PT of pH in bioethanol were treated by two different statistical approaches: kernel density model and the mixture of distributions. Application of these statistical treatments improved the initial diagnoses of PT provider, by solving bimodality problem and contributing for a better performance evaluation in measuring pH of bioethanol.


翻译:生物乙醇中的pH值是与其酸度和作为燃料使用的汽车发动机腐蚀性有关的质量控制参数,生物乙醇中的pH值是生物乙醇矩阵中一些有经验的化学实验室对pH值测量的可比性和可靠性进行核查的参数,Inmetro-巴西国家计量研究所开发的生物乙醇参考材料(RM)用于熟练测试计划,由于参与实验室使用的商用pH混合电极(氯化石蜡、氯硅或锂氯化物、硅酸盐)的内填充电解液类型而测量的pH值有一个以上单位的差别,因此,双式分配产生于这一计划的数据,这项工作的目的是介绍PT计划提供者能够用来克服双式问题的可能性,生物乙醇中pH的PH值的PH值通过两种不同的统计方法处理:内核密度模型和分配混合物。应用这些统计处理改进了对PT提供者的初步诊断,方法是解决双式乙醇问题,促进生物乙醇的改进性能评估。

0
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
人工智能 | 国际会议截稿信息5条
Call4Papers
6+阅读 · 2017年11月22日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
3+阅读 · 2018年10月18日
Arxiv
3+阅读 · 2018年4月5日
Arxiv
3+阅读 · 2018年2月24日
Arxiv
4+阅读 · 2018年1月15日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
人工智能 | 国际会议截稿信息5条
Call4Papers
6+阅读 · 2017年11月22日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员