Analisis SARA
-
Upload
paolameneses -
Category
Documents
-
view
35 -
download
0
description
Transcript of Analisis SARA
-
PREDICCIN DEL ANLISIS SARA DE FONDOS DE VACO COLOMBIANOS UTILIZANDO ESPECTROSCOPA FOTOACSTICA EN EL INFRARROJO
MEDIO Y MTODOS QUIMIOMTRICOS.
GLORIA ESTHER VARGAS PATIO
UNIVERSIDAD INDUSTRIAL DE SANTANDER FACULTAD DE CIENCIAS
ESCUELA DE QUMICA BUCARAMANGA
2011
-
PREDICCIN DEL ANLISIS SARA DE FONDOS DE VACO COLOMBIANOS UTILIZANDO ESPECTROSCOPA FOTOACSTICA EN EL INFRARROJO
MEDIO Y MTODOS QUIMIOMTRICOS
GLORIA ESTHER VARGAS PATIO
Trabajo de grado para optar al ttulo de QUMICA
DIRECTOR: ENRIQUE MEJA OSPINO Qco, Ph. D.
CO-DIRECTOR: JORGE ARMANDO ORREGO RUIZ Qco, M.Sc.
UNIVERSIDAD INDUSTRIAL DE SANTANDER FACULTAD DE CIENCIAS
ESCUELA DE QUMICA BUCARAMANGA
2011
-
3
-
4
-
5
Por todos los favores recibidos dedico
este triunfo a mi Dios, en quien todo
lo puedo
-
6
AGRADECIMIENTOS
A toda mi gran familia por patrocinar mi carrera. A mis padres principalmente.
A Edwin Castro Jurado por sus ganas de seguir hacia adelante junto a m.
Al profesor y maestro Enrique Meja Ospino por su disposicin para ensearme en este proceso de aprendizaje. As mismo le estoy muy agradecida a Jorge Orrego Ruiz porque hasta el final, tambin estuvo en todas las etapas de esta investigacin.
A todas mis amigas y amigos, a la familia LEAM en cabeza del profesor Rafael Cabanzo quienes de una forma u otra me ayudaron a culminar este objetivo.
A la Universidad Industrial de Santander y al Instituto Colombiano del Petrleo por su apoyo econmico.
Por ltimo, a todas la personas de la Escuela de Qumica que me han colaborado.
-
7
CONTENIDO
Pg.
INTRODUCCIN ................................................................................................... 14 1. CONSIDERACIONES TERICAS ..................................................................... 16 1.1. GENERALIDADES DE LOS FONDOS DE VACO ......................................... 16 1.2. COMPOSICIN QUMICA DE LOS FONDOS DE VACO ............................. 16 1.2.1. Anlisis SARA .............................................................................................. 17 1.2.2. Saturados ..................................................................................................... 19 1.2.3. Aromticos ................................................................................................... 19 1.2.4. Resinas ........................................................................................................ 20 1.2.5. Asfaltenos .................................................................................................... 21 1.2.6. Anlisis Composicional ................................................................................ 22 1.3. ESPECTROSCOPA INFRARROJA ............................................................... 24 1.3.1. Efecto Fotoacstico (PA) ............................................................................ 29 1.4. QUIMIOMETRA ............................................................................................. 33 1.4.1. Calibracin multivariable .............................................................................. 35 1.4.2. Clasificacin de los mtodos de calibracin multivariable ........................... 35 1.4.3. Construccin de modelos de calibracin multivariable ................................ 37 1.4.4. Tcnicas de Pretratamiento de Datos .......................................................... 40 1.4.5. Mtodos basados en reduccin de variables ............................................... 43 1.4.6. Anlisis Por Componentes Principales (PCA) .............................................. 43 1.4.7. Regresin por Mnimos Cuadrados Parciales (PLS) .................................... 46 2. PARTE EXPERIMENTAL .................................................................................. 49 2.1. ESQUEMA EXPERIMENTAL ......................................................................... 49 2.2. SELECCIN DE MUESTRAS ........................................................................ 50 2.3. MONTAJE EXPERIMENTAL .......................................................................... 51 2.3.1. Instrumentacin ........................................................................................... 51 2.4. DETERMINACIN DE PARAMETROS .......................................................... 53 2.4.1. Verificacin del desempeo del Espectrofotmetro ..................................... 54 2.5. ADQUISICIN Y ANLISIS DE ESPECTROS PAS ....................................... 55 2.5.1. Espectros MIR de fondos de vaco .............................................................. 55 2.6. PROCESAMIENTO DE DATOS ..................................................................... 59 2.6.1. Pretratamiento de datos ............................................................................... 59 2.6.2. Anlisis de componentes principales (PCA) ................................................ 59 2.6.3. Regresin por mnimos cuadrados parciales (PLS) ..................................... 60 3. RESULTADOS Y ANLISIS .............................................................................. 61 3.1. ANLISIS ESPECTRAL DE FONDOS DE VACO ......................................... 61 3.2. ANLISIS POR COMPONENTES PRINCIPALES (PCA) ............................... 63 3.3. DESARROLLO DE LOS MODELOS PLS ....................................................... 69 3.3.1. Calibracin y validacin del modelo PLS para la fraccin de saturados ...... 69 3.3.2. Calibracin y validacin del modelo PLS para la prediccin de Aromticos 74 3.3.3. Calibracin y validacin del modelo PLS para la prediccin de resinas ...... 79 Calibracin y validacin del modelo PLS para la prediccin de asfaltenos ............ 84
-
8
3.4. PRUEBAS T PARA MUESTRAS DE VALIDACIN. ...................................... 89 4. CONCLUSIONES .............................................................................................. 92 5. RECOMENDACIONES ...................................................................................... 94 6. REFERENCIAS BIBLIOGRFICAS ................................................................... 95
-
9
LISTA DE FIGURAS
Pg.
Figura 1. Esquema simplificado de la separacin de los fondos de vaco en las fracciones SARA .................................................................................................... 18 Figura 2. Estructura de una molcula promedio de saturados ............................... 19 Figura 3. Estructura promedio de una estructura aromtica .................................. 20 Figura 4. Estructura de una molcula promedio de Resinas ................................. 20 Figura 5. Estructura de una molcula promedio de Asfaltenos .............................. 21 Figura 6. Procedimiento estndar para el anlisis SARA segn la norma ASTM: a. D- 2007 y b. D-4124 ............................................................................................... 23 Figura 7. Espectros MIR para el fondo de vaco 24. .............................................. 27 Figura 8. Generacin de la seal fotoacstica en un slido. .................................. 32 Figura 9. Interpretacin geomtrica de un PCA. .................................................... 45 Figura 10. Descripcin grfica del modelo de regresin PLS ................................ 47 Figura 11. Esquema metodolgico ........................................................................ 49 Figura 12. Sistema PAS acoplado al equipo IR Tensor 27 marca Bruker .............. 51 Figura 13. Celda PAS modelo MTEC 200 ............................................................. 52 Figura 14. Efecto de la relacin seal ruido en un espectro de una muestra de fondo de vaco ....................................................................................................... 53 Figura 15. Prueba de repetibilidad del espectrofotmetro FTIR ............................ 55 Figura 16. Deconvolucin de la regin entre 3000-2800 cm-1................................ 56 Figura 17. Bandas de vibracin para el grupo CH3 ................................................ 57 Figura 18. Espectros de Fondos de vaco ............................................................. 61 Figura 19. Grfico de puntuaciones: descomposicin de la informacin espectral en el PC2 vs PC1 ................................................................................................... 64 Figura 20. Grfico de pesos: Importancia de las diferentes variables para el PC1 y el PC2 .................................................................................................................... 66 Figura 21. Contribucin de las variables en la formacin PC1 y el PC2 ................ 67 Figura 22. Grfico de puntuaciones con el lmite de Hotelling T. .......................... 68 Figura 23. Ubicacin de las variables x en la regin MIR para el modelo de saturados ............................................................................................................... 70 Figura 24. Ubicacin de los Coeficientes de regresin para el modelo de saturados ............................................................................................................................... 71 Figura 25. Curva de calibracin del modelo seleccionado para Saturados ........... 72 Figura 26. Grfico del valor predicho contra el valor de referencia para el modelo de saturados .......................................................................................................... 73 Figura 27. Grfico del valor predicho contra el valor de referencia, eliminando una muestra .................................................................................................................. 74 Figura 28. Ubicacin de las variables x en la regin MIR para el modelo de aromticos ............................................................................................................. 75 Figura 29. Ubicacin de los Coeficientes de regresin para 5 VL en el modelo de aromticos ............................................................................................................. 76 Figura 30. Curva de calibracin del modelo seleccionado para aromticos .......... 77
-
10
Figura 31. Grfico del valor predicho vs valor de referencia para aromticos ....... 78 Figura 32. Ubicacin de las variables x en la regin MIR para resinas .................. 80 Figura 33. Ubicacin de los Coeficientes de regresin para el modelo de resinas 81 Figura 34. Curva de calibracin del modelo seleccionado para resinas ................ 82 Figura 35. Grfico del valor predicho vs valor de referencia para el modelos de resinas ................................................................................................................... 83 Figura 36. Grfico del valor predicho vs valor de referencia. ................................. 84 Figura 37. Ubicacin de las variables x en la regin MIR para el modelo de asfaltenos .............................................................................................................. 85 Figura 38. Ubicacin de los Coeficientes de regresin para el modelo de asfaltenos .............................................................................................................. 86 Figura 39. Curva de calibracin del modelo seleccionado para asfaltenos ........... 87 Figura 40. Grfico del valor predicho vs valor de referencia para el modelo de asfaltenos .............................................................................................................. 88
-
11
LISTA DE TABLAS
Pg.
Tabla 1. Regiones de absorcin en el infrarrojo..................................................... 26 Tabla 2. Resumen de las bandas de absorcin ..................................................... 27 Tabla 3. Anlisis SARA del grupo de calibracin ................................................... 50 Tabla 4. Anlisis SARA del grupo de validacin .................................................... 51 Tabla 5. Vibraciones de flexin del C-H aromtico ................................................ 58 Tabla 6. Clculo de la RSD para tres nmeros de onda caractersticos aplicando diferentes pretratamientos ..................................................................................... 59 Tabla 7. Varianza explicada por los primeros 7 componentes principales de las muestras de calibracin ......................................................................................... 63 Tabla 8. Separacin de las muestras segn el contenido Asfaltenos .................... 65 Tabla 9. Parmetros del modelo seleccionado para la prediccin del % de Saturados .............................................................................................................. 69 Tabla 10. Valor de los coeficientes de regresin para 5 VL ................................... 71 Tabla 11. Validacin del modelo de prediccin de %p de Saturados .................... 72 Tabla 12. Parmetros del modelo seleccionado para la prediccin del %p de aromticos ............................................................................................................. 74 Tabla 13. Valor de los coeficientes de regresin para 7 VL en el modelo de aromticos ............................................................................................................. 76 Tabla 14. Validacin del modelo de prediccin de %p de Aromticos ................... 78 Tabla 15. Parmetros del modelo seleccionado para la prediccin del %p de Resinas .................................................................................................................. 79 Tabla 16. Valores de los coeficientes de correlacin ............................................. 81 Tabla 17. Validacin del modelo de prediccin de %p de resinas ......................... 83 Tabla 18. Parmetros del modelo seleccionado para la prediccin del %p de Asfaltenos .............................................................................................................. 84 Tabla 19. Valores de los coeficientes de correlacin para cada variable x ............ 86 Tabla 20. Validacin del modelo de prediccin de %p de Asfaltenos .................... 88 Tabla 21. Parmetros estadsticos usados para definir la calidad de las predicciones ........................................................................................................... 89 Tabla 22. Parmetros estadsticos usados para evaluar la calidad de las predicciones a cuatro fondos de vaco ................................................................... 90
-
12
RESUMEN TTULO PREDICCIN DEL ANLISIS SARA DE FONDOS DE VACO COLOMBIANOS UTILIZANDO ESPECTROSCOPA FOTOACSTICA EN EL INFRARROJO MEDIO Y MTODOS QUIMIOMTRICOS.* AUTOR GLORIA ESTHER VARGAS PATIO. ** PALABRAS CLAVES PAS-FTIR, FONDOS DE VACO, PLS, PCA, ANLISIS SARA DESCRIPCIN 28 muestras de fondos de vaco de crudos colombianos proporcionados por el Instituto Colombiano del Petrleo fueron analizadas por espectroscopia fotoacstica en la regin del infrarrojo medio (PAS-FTIR) y mtodos quimiomtricos. Mediante el uso combinado de la espectroscopia PAS-FTIR y mtodos de calibracin multivariable, fue posible realizar el anlisis de la composicin qumica de fondos de vaco, encontrndose una relacin directa entre las intensidades espectrales y el anlisis SARA. El anlisis por componentes principales (PCA) permiti clasificar las muestras de acuerdo al contenido de asfaltenos y determinar las variables espectrales de mayor importancia que ayudaron a la formacin de los componentes principales. Estas variables se ubican en las regiones comprendidas entre 3000-2800, 1500-1350 y 950-700 cm
-1. La regresin por mnimos cuadrados
parciales (PLS-R) aplicada sobre los espectros PAS-FTIR, mostr un desempeo satisfactorio para predecir la composicin en peso del anlisis SARA, a ocho fondos de vaco que no fueron usados en la calibracin de los modelos. Se comprob que la combinacin de la espectroscopia PAS-FTIR junto con el anlisis quimiomtrico puede ser un mtodo alterno de anlisis que permite hacer un estudio de muestras slidas, y opacas en un menor tiempo que las tcnicas tradicionales.
* Trabajo de Grado
** Facultad de Ciencias. Escuela de Qumica. Director: Enrique Meja Ospino. Codirector: Jorge Armando
Orrego.
-
13
SUMMARY TITLE SARA ANALYSIS PREDICTION FROM VACUUM RESIDUES COLOMBIANS USING PHOTOACOUSTIC SPECTROSCOPY IN THE MIDDLE INFRARED AND CHEMOMETRIC METHODS. * AUTHOR GLORIA ESTHER VARGAS PATIO. ** KEY WORDS PAS-FTIR, VACUUM RESIDUES, PLS, PCA, SARA ANALYSIS. DESCRIPTION 28 samples of vacuum residues of colombian oils provided by the Colombian Petroleum Institute were analysed by photoacoustic spectroscopy in mid-infrared region (PAS-FTIR) and chemometric methods. Through the combined use of PAS-FTIR spectroscopy and multivariate calibration methods was possible analyzing chemical composition of vacuum residues, finding a direct relationship between spectral intensities and SARA analysis. Principal components analysis (PCA) allowed classifying samples according to the asphaltene content and determining the most important spectral variables wich helped to form the principal components. These variables are located in the regions between 3000-2800, 1500 - 1350 and 950 - 700 cm
-1. Partial least squares
regression (PLS-R) applied on the PAS-FTIR spectra, showed a satisfactory performance to predict SARA analysis of eight vacuum residues not used in the calibration of models. Combination of PAS-FTIR spectroscopy and chemometric analysis can be an alternative method of analysis that allows making a study of solid and opaque samples in less time respect to traditional techniques.
* Work Degree
** Sciences Faculty. Chemistry School. Directress: Enrique Mejia Ospino. Codirectress Jorge Armando
Orrego
-
14
INTRODUCCIN
Los crudos livianos en general presentan un costo de extraccin y refinacin
menor al que presentan los crudos pesados, ya que estos hidrocarburos ms
densos y viscosos (densidad API < 22.3 [28]) tienden a poseer mayores
concentraciones de metales y otros elementos, lo que exige mayor esfuerzo para
su refinacin y produccin, aumentando de este modo su valor econmico.
Actualmente el 70% de las reservas mundiales de petrleo se compone de
petrleo pesado, extrapesado y bitumen [31]. Por tal motivo en los ltimos aos la
industria petrolera ha tenido que desplazar su conocimiento y tecnologa hacia los
crudos pesados. Para esto realiza investigaciones sobre tcnicas que favorezcan
su produccin y disminuyan los costos por los que anteriormente se haban dejado
de lado. En trabajos previos [3] se ha dado a conocer, que los fondos de vaco
pueden ser usados cmo derivados de gran inters industrial y no cmo
subproductos de poco valor agregado, ya que contienen desde hidrocarburos
parafnicos y naftnicos hasta hidrocarburos aromticos.
Una de las estrategias de caracterizacin de este tipo de muestras pesadas es el
anlisis SARA (fraccin de saturados, aromticos, resinas y asfaltenos). Este
anlisis se lleva a cabo mediante procedimientos estndar regidos por la ASTM
(American Society Test and Materials), en los cuales la muestra se somete a la
accin de solventes como n-heptano y luego a cromatografa de elucin con
tolueno y diclorometano, cuyo resultado final tarda cerca de 2 das por muestra.
Sin embargo, esta metodologa es costosa y poco amigable con el medio
ambiente ya que hace uso de gran cantidad de solventes txicos. Para dar
solucin a estos inconvenientes se pueden aplicar tcnicas quimiomtricas de
anlisis multivariable en los cuales se relacionan los datos espectroscpicos y este
anlisis.
-
15
Para este propsito se usan tcnicas como la espectroscopa infrarroja con
transformada de Fourier (FT-IR), y la Resonancia Magntica Nuclear (RMN-1H)
[3,27] que aunque han mostrado resultados satisfactorios requieren de preparacin
de las muestras, y en el caso de RMN altos costos de operacin. La
espectroscopa fotoacstica acoplada a la espectroscopa infrarroja con
transformada de Fourier (PAS-FTIR) ha demostrado ser sensible y verstil para el
estudio estructural de muestras opacas [15] mostrando superioridad sobre las
tcnicas de transmitancia convencionales, debido a que la muestra no es
destruida durante el anlisis y no requiere tratamiento previo, disminuyendo los
costos al no utilizar solventes y la contaminacin que estos causan.
De esta manera, el desarrollo el presente trabajo permiti clasificar y analizar
fondos de vaco colombianos a partir de su espectro PAS-FTIR, mediante el uso
de tcnicas quimiomtricas de anlisis. La regresin por mnimos cuadrados
parciales (PLS-R) aplicada sobre los espectros, mostr un desempeo
satisfactorio para la prediccin del anlisis SARA (saturados, aromticos, resinas y
asfaltenos). Se comprobaron las ventajas que presenta la tcnica PAS-FTIR para
el estudio de la composicin qumica de muestras complejas y opacas, ya que los
espectros se obtuvieron en menos de 5 minutos, con buena relacin seal/ruido y
con una repetibilidad aceptable.
-
16
1. CONSIDERACIONES TERICAS
1.1. GENERALIDADES DE LOS FONDOS DE VACO
En la refinacin del petrleo crudo se obtienen gran cantidad de productos entre
los que se encuentran los fondos de vaco (FV). Los fondos de vacio son
fracciones pesadas que provienen de la destilacin al vaco del petrleo, y pueden
ser convertidos a fracciones que presentan un menor punto de ebullicin por
reduccin de viscosidad, craqueo y procesos de hidrocraqueo. El hidrocraqueo de
los fondos de vaco ofrece volmenes adicionales, para combustibles de motor de
alta calidad [1].
Los fondos de vaco pueden ser utilizados para alimentar las unidades de craqueo
trmico, donde se producen productos ms ligeros, o para alimentar la unidad de
produccin de coque. Generalmente, los fondos son utilizados sin ningn
tratamiento adicional como asfalto, aglutinante de los pavimentos en las
carreteras, materiales para techos o como revestimientos de tubera.
Recientemente se ha publicado que el uso de los fondos de vaco es muy limitado,
ya que considerablemente afectan el medio ambiente porque presentan en su
estructura azufre y nitrgeno [2,4]. La emisin de azufre est relacionada con la
formacin de la lluvia cida.
1.2. COMPOSICIN QUMICA DE LOS FONDOS DE VACO
Los hidrocarburos presentes en esta fraccin del petrleo concentran elevados
puntos de ebullicin (generalmente mas de 500 C) [2] y molculas complejas, ya
que presentan una diversidad de estructuras qumicas cuyos pesos moleculares
varan en un amplio rango, comenzando con hidrocarburos parafnicos y
naftnicos hasta hidrocarburos poliaromticos. En menor cantidad contienen gran
parte de las impurezas presentes en el crudo, estas impurezas incluyen azufre
-
17
(hasta 6% en peso en el residuo), nitrgeno (0.1-2% en peso) y oxgeno (0.005-
1.5% en peso) [4], los cuales se encuentran conformando grupos funcionales como
cidos carboxlicos, aldehdos, cetonas, tiofenos, anillos pirrlicos y bases
nitrogenadas como piridina. A nivel de trazas contienen metales como nquel,
vanadio, hierro, magnesio y calcio, presentes en forma de xidos, sales o tambin
ocupando el centro de estructuras organometlicas tipo porfirina [3].
La razn por la cual los fondos de vaco presentan en su estructura molculas
complejas, se debe a que los hidrocarburos ligeros se eliminan previamente en el
proceso de destilacin.
1.2.1. Anlisis SARA
De las diversas tcnicas de laboratorio que han sido desarrolladas para describir
la composicin qumica de los hidrocarburos, la ms comn es la cromatografa de
gases (CG). Este tipo de anlisis puede determinar la composicin qumica de un
petrleo convencional (petrleo liviano). No obstante el anlisis por CG no puede
diferenciar el alto nmero de componentes de los hidrocarburos pesados con
suficiente grado de detalle como para ser utilizado en las operaciones de
simulacin.
Debido al gran nmero de compuestos que conforman los fondos de vaco es
necesario separarlos en grupos ms homogneos, mediante tcnicas de
fraccionamiento para su identificacin. Para la caracterizacin composicional de
este tipo de fracciones pesadas, se pone en prctica tcnicas de anlisis
adicionales que examinan en forma ms exhaustiva estos fluidos de alta densidad
y alta viscosidad. Entre estas tcnicas se encuentra el anlisis de las fracciones de
saturados, aromticos, resinas y asfaltenos (anlisis SARA). El anlisis SARA
consiste en el fraccionamiento de la muestra en las cuatro fracciones
mencionadas, expresndolas como porcentaje en peso. La fortaleza del mtodo
radica en que analiza la muestra entera, desde los compuestos livianos hasta los
pesados, y de este modo permite comparar todos los petrleos con base en un
-
18
estndar consistente [8]. Estas tcnicas requieren del uso de diferentes mtodos
para el pretratamiento de la muestra, as como de solventes para hacer posible su
anlisis. De esta manera, el estudio de las muestras pesadas de petrleo se
convierte en un procedimiento tedioso, ya que requiere de un tiempo prolongado
de anlisis de entre 2 a 3 das por muestra.
El fraccionamiento SARA hace en primer lugar una separacin mediante
precipitacin con hidrocarburos saturados de bajo peso molecular (n-heptano, o n-
pentano), obtenindose dos fracciones; a la fraccin insoluble se le denomina
asfaltenos y a la soluble maltenos; estos ltimos a la vez contienen varios tipos de
hidrocarburos que pueden dividirse en saturados, aromticos y resinas [9] (figura
1).
Figura 1. Esquema simplificado de la separacin de los fondos de vaco en las
fracciones SARA
Saturados Asfaltenos
FONDOS DE VACO
Diluido en n-alcano
Maltenos
Solucin
Adsorbido en slice. Lavado con n-alcano
Tolueno
Tolueno/Metanol
Precipitado
Aromticos Resinas Asfaltenos
n-alcano
-
19
A continuacin se muestra una breve descripcin de cada grupo.
1.2.2. Saturados
El trmino saturado significa que la molcula contiene el nmero mximo de
tomos de hidrgeno capaz de contener. Estos hidrocarburos son aceites claros,
no polares constituidos por hidrocarburos alifticos lineales o con cadenas
laterales alifticas y aromticas. El rango de peso molecular medio est
comprendido entre 300 y 2.000 Da [5].
Figura 2. Estructura de una molcula promedio de saturados
H3CH2C
CH3
CH2(CH2)12CH3
CH3
1.2.3. Aromticos
Son hidrocarburos cclicos poliinsaturados que estn presentes en gran proporcin
en el petrleo crudo, generalmente son lquidos viscosos de color marrn
anaranjado. Sus usos son muy variados y dependen de la sustitucin de los
hidrgenos en el anillo aromtico. As, los compuestos como benceno, tolueno, y
xileno son materias primas fundamentales de la petroqumica (adems
contribuyen igualmente a aumentar el nmero de octano de las gasolinas), pero a
medida que aumenta la complejidad de las sustituciones, aumentan los problemas
que estos compuestos causan tanto al medio ambiente, como al deterioro de la
actividad de los catalizadores por su capacidad de formar coque [6].
-
20
Figura 3. Estructura promedio de una estructura aromtica
CH3
CH3
CH3
CH3
CH3
CH3
CH3
1.2.4. Resinas
Son molculas con un fuerte carcter aromtico, al igual que los asfaltenos tienen
una elevada proporcin de hidrgeno y carbono, contienen pequeas cantidades
de oxigeno, azufre y nitrgeno. Son slidos negros, brillantes, quebradizos y su
naturaleza es muy polar. Las resinas constituyen el componente polar no voltil
del petrleo, que es soluble en n-alcanos e insoluble en propano lquido [7].
Figura 4. Estructura de una molcula promedio de Resinas
CH3
CH3
S
-
21
1.2.5. Asfaltenos
Dentro de los compuestos considerados, los asfaltenos son los que poseen las
estructuras qumicas ms complejas y los ms altos pesos moleculares; estos son
principalmente aromticos policclicos condensados. Son slidos amorfos de
colores marrn oscuro o negros, insolubles en n-heptano y solubles en tolueno.
Estn constituidos por carbono, hidrgeno, nitrgeno, azufre y oxgeno, que dan
lugar a ciclos tiofnicos y piridnicos que contienen elevada polaridad. La
desalquilacin y deshidrogenacin de los asfaltenos se da como resultado del
proceso de craqueo. Estas reacciones son favorables para el proceso de
formacin del coque [1].
Figura 5. Estructura de una molcula promedio de Asfaltenos
NH
S
CH3
S
CH3
HO
CH3
CH3
CH3
Por otra parte la operacin industrial para la eliminacin de asfaltenos en un aceite
se realiza con propano o butano. El aceite separado de su fraccin asfaltnica se
llama aceite desasfaltado (en ingls DAO: DeAsphalted Oil), y la parte precipitada
se llama, por lo tanto, asfalto. Los heterotomos se concentran en el asfalto
(azufre, nitrgeno, nquel y vanadio), siendo su contenido muy variable,
-
22
dependiendo de la procedencia del crudo. Estos heterotomos son la causa de
numerosos problemas en la industria del petrleo [6].
1.2.6. Anlisis Composicional
Un crudo estar bien definido si se conoce la composicin y estructura de todos
los compuestos presentes. Sin embargo, debido a la diversidad y al nmero
elevado de constituyentes, conocer la composicin exacta del crudo es casi
imposible.
Despus de los datos de destilacin el anlisis composicional es la caracterstica
ms importante de las fracciones. Basados en la naturaleza del crudo existen
varias maneras de expresar la composicin de un crudo. Algunas de las ms
importantes son [9,10]:
PONA (parafinas, olefinas, naftenos y aromticos)
PNA (parafinas, naftenos y aromticos)
PIONA (parafinas, isoparafinas, olefinas, naftenos y aromticos)
SARA (saturados, aromticos, resinas y asfaltenos)
Anlisis elemental (C, H, N, O, S)
Ya que la mayora de las fracciones son libres de olefinas la composicin puede
ser expresada en trminos del anlisis PNA. Este tipo de anlisis es til en cargas
livianas con rangos de ebullicin estrechos; mientras que el anlisis SARA es til
para fracciones pesadas y residuos que contienen un alto contenido de resinas y
asfaltenos.
La ASTM ofrece varios procedimientos para el anlisis SARA: la norma ASTM
D2007 y la ASTM D4124 mostrados en la figura 6, y la norma ASTM D2549 que
usa cromatografa lquida para la separacin de las fracciones de saturados y
aromticos.
-
23
Figura 6. Procedimiento estndar para el anlisis SARA segn la norma ASTM: a. D-
2007 y b. D-4124
Muestra
Asfaltenos DAO
ResinasSaturados
+ Aromticos
Aromticos Saturados
n-Pentano
Arcilla
Slica gel
a.
Muestra
Asfaltenos DAO
ResinasSaturados
+ Aromticos
Aromticos Saturados
n-Heptano
Almina
Almina
b.
La porcin de crudo que es soluble en pentano o heptano se conoce como
maltenos. Esta porcin puede a su vez, fraccionarse por percolacin a travs de
cualquier material superficialmente activo como almina o arcilla. La fraccin ms
fuertemente adsorbida y que se desorbe con piridina o una mezcla tolueno-
metanol se conoce como resinas. La fraccin que eluye por la accin del tolueno o
el benceno se define como aromticos, mientras que la fraccin que lo hace por la
accin del heptano se conoce como saturados.
Otro tipo de anlisis usado para identificar grupos funcionales es la espectrometra
de masas (EM) en la cual las molculas son fragmentadas e ionizadas. Ese
mtodo presenta una alta reproducibilidad y ofrece informacin cualitativa y
cuantitativa detallada de las molculas orgnicas e inorgnicas que componen las
muestras. Sin embargo, el uso de EM es limitado a compuestos que son estables
hasta 300 C.
El porcentaje de carbono, hidrgeno, nitrgeno, oxgeno y azufre es quiz el
primer paso para examinar la naturaleza general y la calidad de una carga. Las
relaciones atmicas de varios elementos con respecto al carbono (H/C, N/C, O/C y
a. b.
-
24
S/C) son usadas con frecuencia para este propsito, as como tambin la
concentracin de elementos traza como hierro, vanadio y nquel.
Los mtodos propuestos para el anlisis elemental son:
Contenido de hidrgeno: ASTM D1018, ASTM D3178, ASTM D3343, ASTM
D3701, y ASTM E777
Contenido de nitrgeno: ASTM D3179, ASTM D3228, ASTM D3431, ASTM E148,
ASTM E258, and ASTM E778
Contenido de oxgeno: ASTM E385
Contenido de azufre: ASTM D124, ASTM D1266, ASTM D1552, ASTM D1757,
ASTM D2662, ASTM D3177, ASTM D4045 y ASTM D4294 [35].
1.3. ESPECTROSCOPA INFRARROJA
La radiacin Infrarroja (IR) fue descubierta por William Herschel a comienzos del
siglo XIX. Las dificultades en construir un detector IR adecuado impidieron
cualquier aplicacin. Solo hasta los aos 30 del siglo XX fue cuando se desarroll
el potencial de la espectroscopa IR en el campo de la qumica, debido a la
construccin de los primeros equipos IR. Las necesidades analticas asociadas
con la produccin comercial de goma sinttica estimularon el desarrollo comercial
de la espectrometra IR y estudios bsicos en este campo. Hasta los aos 60 se
utilizaron equipos dispersivos que utilizaban monocromadores de prisma o red. Un
avance considerable se alcanz con la introduccin de la tcnica de transformada
de Fourier (FT) [12].
La tcnica de transformada de Fourier est basada en el interfermetro de
Michelson (desarrollado inicialmente para determinar con exactitud la velocidad de
la luz) y en el mtodo del matemtico francs Fourier que permite convertir la
informacin obtenida (interferograma) en un espectro. El mtodo de la
-
25
transformada de Fourier fue utilizado en un principio por los astrnomos (dcada
del 50) para aislar seales dbiles, procedentes de estrellas distantes, del ruido de
fondo ambiental. El rpido desarrollo de las tecnologas de los lseres y la
computacin son responsables del predominio actual de los equipos FT, rpidos y
sensibles [12].
La aplicacin de la Transformada de Fourier (FT) a la espectroscopa infrarroja
extendi el uso de la tcnica, ya que elimin las limitaciones encontradas con los
instrumentos dispersivos. De este modo, la FT ha conseguido para la
espectroscopa infrarroja una significante ventaja prctica, y ha hecho posible el
desarrollo de nuevas tcnicas, como FTIR-CA (de camino abierto) y FTIR-ATR (de
reflectancia total atenuada).
Regiones Espectrales
El espectro de infrarrojo se extiende desde 10 a 14300 cm-1 pero desde un punto
de vista funcional se divide en tres zonas. El IR lejano (FIR), donde se producen
las absorciones debido a cambios rotacionales; se ha usado para el estudio de
compuestos rgano-metlicos o inorgnicos (tomos pesados, enlaces dbiles).
El IR medio (MIR), donde tienen lugar las vibraciones fundamentales; es til para
conseguir informacin sobre aspectos cualitativos y cuantitativos de analitos en
tiempo real. Finalmente en el IR cercano (NIR), donde se presentan las bandas
armnicas, se producen absorciones debidas a sobretonos y combinaciones de
las bandas fundamentales y ha sido utilizada para determinaciones cuantitativas y
en menor proporcin con fines estructurales [11,12].
En la tabla 1 se muestra el rango del espectro electromagntico al que
corresponde cada regin IR.
-
26
Tabla 1. Regiones de absorcin en el infrarrojo
Regin
Infrarroja
Longitud de
Onda Nmero de Onda, (cm-1) Transicin caracterstica
Cercano (NIR) 780 a 2500 nm 12800 a 4000 Sobretonos y
Combinaciones
Medio (MIR) 2.5 a 50 m 4000 a 200 Vibraciones fundamentales
Lejano (FIR) 50 a 1000 m 200 a 10 Rotaciones
Anlisis Infrarrojo
Un espectro IR proporciona los primeros datos para dilucidar la estructura
molecular de una muestra ya que presenta la informacin sobre las unidades
estructurales bsicas y los grupos funcionales.
Aunque el espectro IR caracteriza a cada compuesto, ciertas agrupaciones
atmicas dan lugar siempre a bandas en un determinado intervalo de frecuencias,
independiente de la naturaleza del resto de la molcula. La existencia de estas
bandas, permite una amplia utilizacin de la espectroscopa IR en la determinacin
estructural. Sin embargo pueden presentarse problemas con la reproducibilidad de
los espectros por dificultades ligadas a la preparacin de las muestras.
La espectroscopa infrarroja ha tenido siempre un lugar en el anlisis de
combustibles para caracterizar cualitativamente sus constituyentes. Con el
advenimiento de la espectroscopa FT-IR y el avance en los mtodos
quimiomtricos, se cre la posibilidad de desarrollar esta metodologa para fines
cuantitativos [13]. En el trabajo de Abbas y colaboradores [14] muestran que, con
la determinacin del rea de las bandas de absorcin de cada uno de los
espectros IR, fue posible clasificar el petrleo en trminos de las etapas de
biodegradacin que sufran los crudos analizados.
De esta manera, en nuestro trabajo se us la espectroscopia FTIR para el anlisis
de fondos de vaco. En la figura 7 se muestra el espectro MIR de una muestra de
fondo de vaco colombiano.
-
27
Figura 7. Espectros MIR para el fondo de vaco 24.
En la tabla 2 se muestran las asignaciones de algunas bandas del IR presentes en
los fondos de vaco.
Tabla 2. Resumen de las bandas de absorcin
Posicin de las
bandas ( cm-1
)
Grupos funcionales
3700-3300 Vibraciones de tensin con hidrgeno:
OH , NH
, CH
3090-3030 vibraciones de tensin (C-H)ar
2978-2960 R-CH3 estiramiento asimtrico
2925-2918 R2-CH2 estiramiento asimtrico
-
28
En la figura 7 se observan bandas de adsorcin caractersticas del agua a 3222
cm -1 (vibraciones de tensin O-H), provenientes del agua absorbida por el KBr
usado en la preparacin de la pastilla, afectando la regin espectral donde
aparecen las bandas para las seales alifticas y aromticas. Cabe mencionar que
la total eliminacin del agua absorbida por el KBr es muy difcil de lograr aun
secndolo en la mufla o tomando los espectros en atmosfera inerte.
De esta manera la calidad del espectro IR depende de varios factores: como el
tamao de las partculas de la muestra, el ndice de refraccin de la muestra, la
cantidad de KBr utilizado (si se desea cuantificar) y la humedad de este. La toma
2860 CH aliftico (estiramiento)
2854 RCH2- estiramiento simtrico
1654 -C=O conjugado
1650-1570 (C-H)ar sistema aromtico polinuclear
1500-1450 (C-C)ar estiramiento
1460-1450 Flexin C-H aliftico
1380 Deformacin simtrica CH2- (flexin)
1300-1000 Deformacin C-O fenlica (estiramiento)
925-670 Enlaces aromticos; (C-H)ar (flexin fuera del plano)
873 Anillo bencnico sustituido con H aislado
860-750 Anillos aromticos simples y condensados
820 Sistema angular de anillos condensados
758 Anillos bencnico 0-sustituido, m-sustituido Sistemas de anillos aromticos
720 Banda de balanceo de los CH2
-
29
de los espectros IR que realizamos para fondos de vaco presentaron algunos
inconvenientes, debido a que las muestras son oscuras y viscosas. La
preparacin de las pastillas result difcil, ya que stas permanecan opacas aun
despus de agregar una representativa cantidad de KBr.
Por otra parte, la reproducibilidad de los espectros FT-IR tambin dependen de la
utilizacin de las mismas cantidades de muestra y de KBr, ya que es comn que
los espectros de hidrocarburos presenten corrimiento de lnea base debido a la
dispersin de la radiacin [15].
Una tcnica que resuelve estos problemas es la espectroscopia Fotoacstica PAS
(del ingls PhotoAcoustic Spectroscopy) en el MIR, porque sirve para el anlisis
de muestras pticamente opacas, mostrando una repetibilidad aceptable en la
obtencin de los espectros IR [15,29].
Por tal motivo el presente trabajo se realiz combinando la tcnica FT-IR con la
PAS, ya que de este modo se aprovecha la elevada relacin seal-ruido, la
velocidad de operacin y la gran capacidad del procesamiento de los datos que
presenta la tcnica FT-IR, mientras que con la PAS se elimina la preparacin de la
muestra y obtienen espectros reproducibles.
1.3.1. Efecto Fotoacstico (PA)
El termino fotoacstica (PA), se refiere a la generacin de ondas acsticas en una
muestra debido a la absorcin de radiacin electromagntica de forma pulsada o
modulada. La seal fotoacstica se origina en la fraccin no radiativa (produccin
de calor) de la energa liberada por el decaimiento desde un estado excitado al
estado fundamental; es una tcnica complementaria con las tcnicas
convencionales en las cuales se utilizan los procesos radiativos (absorcin-
emisin, fluorescencia etc.). De esta manera, proporciona espectros similares a
los de absorcin ptica en cualquier tipo de material lquido, slido, semislido,
gaseoso, cristalino, pulverizado o amorfo. Adems, puesto que slo la luz
-
30
absorbida se convierte en sonido, la luz dispersada no genera mayores
inconvenientes.
El efecto PA fue descubierto por Alexander Graham Bell (1847-1922) en 1890
mientras intentaba transmitir la voz a grandes distancias utilizando la luz solar
como portadora de la informacin, experimentando descubri que una seal
acstica puede producirse iluminando peridicamente con radiacin modulada,
una muestra colocada en una celda cerrada [16].
Aunque el efecto PA en esos aos gan el inters de algunos investigadores,
como Rntgen, Tyndall y (Lord) Rayleigh, permaneci como una curiosidad
cientfica por casi medio siglo hasta que:
Se dio el desarrollo del micrfono, que sustituira al tubo de escucha en el montaje
experimental de Bell.
Surgieron fuentes luminosas intensas como los lseres.
Se desarrollaron sensibles sistemas de deteccin (amplificadores sensitivos a fase
o sincrnicos) y
Aparecieron los equipos para el procesamiento de datos.
De este modo comenzaron a gestarse las primeras aplicaciones prcticas. No
obstante fue de gran importancia el modelo desarrollado aos despus por
Rosencwaig y Gersho [19] con el cual demostraron que la principal fuente para la
generacin de la seal PA es el flujo de calor peridico entre la muestra y el gas
de la cmara cerrada. Cuando la energa radiante incide sobre una muestra solida
y opaca, sta absorbe energa y parte de ella es transformada en calor. Si la
fuente de energa es modulada, una variacin peridica de temperatura se
producir en la muestra.
Para dar explicacin al fenmeno se basaron en la opacidad, la difusividad trmica
y el grosor total de la muestra. Para muestras pticamente opacas, la magnitud de
-
31
la seal fotoacstica, q, y la fase , se pueden expresar como se muestra en las
ecuaciones 1 a 3.
2
1
2
22
1
, 11
1
ssps KCCq (Ecuacin 1)
s
21tan 1 (Ecuacin 2)
2
1
,0
2
1
00
)(4 gpg
g
CfT
kPIC
(Ecuacin 3)
Donde es la densidad, Cp,g la capacidad calorfica del gas circundante, k la
conductividad trmica, el coeficiente de absorcin ptica, la profundidad de
muestreo trmico, I0 la intensidad de la radiacin incidente, el cociente de las
capacidades calorficas especficas, P0 la presin del gas, la longitud de la celda,
T0 la temperatura del gas y f la frecuencia de modulacin de la radiacin.
En los ltimos aos el efecto PA ha despertado un enorme inters en todos los
mbitos de la industria, porque abarca muchas otras disciplinas, no
exclusivamente acsticas o tcnicas de deteccin trmicas, sino tambin se ha
aplicado con gran satisfaccin a varios problemas de la fsica, qumica, biologa,
medicina e ingeniera [17]. Adems varios investigadores han mejorado el diseo
de alguna de las partes de la celda PA. Por ejemplo se ha recurrido al uso de
mltiples micrfonos para mejorar el lmite de deteccin de las seales, lo que ha
mostrado una excelente mejora en la relacin seal-ruido (S/N) [18].
En la industria petrolera la aplicacin de la PAS nace por la necesidad de
caracterizar y analizar las fracciones pesadas de los crudos, y as asegurar que
estos crudos sean bienes rentables para las industrias que los extraen y refinan,
-
32
ya que las tcnicas con las que se analizan los crudos livianos no se han podido
usar con xito para estos fines.
Como se mencion anteriormente la fotoacstica es una tcnica espectroscpica
no destructiva, la muestra que se va a analizar se coloca en una celda cerrada que
contiene aire u otro gas. La seal PA se conduce desde hasta la superficie
donde calienta una delgada capa del gas que se encuentra ms prxima a la
muestra (Figura. 8). La cantidad de calor transportada de este modo es
dependiente tanto de las caractersticas termofsicas de la muestra como de las
del gas. La capa calentada del gas acta como pistn acstico que se expande y
contrae contra el gas restante en la celda. Este proceso causa una oscilacin
peridica de la presin (onda acstica), que se propaga a travs del volumen del
gas. Un micrfono situado en el espacio del gas detecta esta seal y la retransmite
a un amplificador, este toma la seal y la amplifica rechazando las seales de
altas frecuencias que normalmente corresponden al ruido electrnico. Un sistema
de adquisicin de datos recoge y registra la seal de salida del amplificador [15].
Figura 8. Generacin de la seal fotoacstica en un slido.
-
33
Por otra parte la diferencia fundamental entre la espectroscopa fotoacstica y la
espectroscopa de absorcin convencional, es la forma como se detecta la
absorcin. En la espectroscopa convencional esta medicin es indirecta, en
realidad se detecta la radiacin transmitida y posteriormente se realiza la
conversin a unidades de absorbancia. Las muestras con bajos coeficiente de
absorcin, (figura 7), difcilmente pueden ser analizadas por esta espectroscopa
porque la magnitud de la seal transmitida es cercana a la seal de referencia, y
es difcil discriminar entre las dos seales.
Lo contrario ocurre con muestras con altos valores de , porque la magnitud de la
seal transmitida es muy pequea comparada con la seal de referencia y
fcilmente se pierde en el ruido de fondo. El rango de deteccin lineal de ste tipo
de experimentos, est limitado a las muestras con un rango medio de .
En contraste la absorcin de la radiacin electromagntica en espectroscopa
fotoacstica se detecta con un transductor acstico (micrfono o cristal
piezoelctrico), que produce una seal elctrica cuya amplitud pico a pico, es
directamente proporcional a la magnitud de los cambios de presin en la muestra.
Por lo tanto, el rango de deteccin lineal de este tipo de experimento es muy
bueno para las muestras con valores altos de , debido a que el cambio inducido
de presin es directamente proporcional a la energa absorbida.
Por ltimo las celdas PAS se acoplan a equipos FT-IR comerciales en los cuales
la celda fotoacstica sustituye al detector del instrumento. Esta celda contiene la
muestra y el micrfono donde se detectan los cambios de presin del gas
circundante. La seal que se obtiene es procesada por el equipo IR y obtenido el
interferograma, el cual es transformado para producir un espectro de absorcin [15].
1.4. QUIMIOMETRA
La quimiometra es la aplicacin de mtodos estadsticos y matemticos a los
problemas qumicos con el objetivo de extraer la mxima y ms til informacin de
los mismos. El desarrollo de la instrumentacin qumica ha llevado a la necesidad
-
34
de utilizar mtodos avanzados de diseo de experimentos, calibracin y anlisis
de los datos resultantes. Por esta razn ha venido despertando el inters como
herramienta de anlisis, clasificacin y calibracin multivariable, debido a la
imposibilidad de describir y modelar sistemas qumicos mediante la estadstica
univariable (calibracin convencional).
Recientemente, la calibracin multivariable se ha aplicado para el anlisis de
muchos sistemas qumicos, incluyendo aguas residuales, alimentos, formulaciones
de medicamentos, aceites y combustibles, sin la necesidad de la separacin de
solutos antes de su anlisis, como en el caso de los anlisis por cromatografa. La
calibracin multivariable es un mtodo de calibracin efectivo en el cual la
informacin qumica (absorcin, emisin, transmisin, etc) de un conjunto de
mezclas patrn, registrados con las diferentes variables (nmeros de onda) estn
relacionados con la concentracin de los compuestos qumicos presentes en las
mezclas. En la calibracin convencional la informacin qumica de un conjunto de
soluciones depende de slo una variable (es decir, un numero de onda) que se
relaciona con la concentracin del soluto en la solucin. Para el caso especifico de
la espectroscopa MIR, raramente se puede emplear el anlisis univariable para
fines cuantitativos; si se requiere un anlisis cuantitativo, se debe emplear mas de
una o todas las variables espectrales con el fin de obtener informacin suficiente
para el desarrollo del procedimiento analtico (anlisis multivariable) [11,13].
Esto indica que los procedimientos de calibracin convencional tendran una
aplicacin limitada para las determinaciones cuantitativas que se desean
desarrollar en este trabajo. Por lo tanto la determinacin simultnea de varias
variables requerira la aplicacin de mtodos ASTM o una tcnica de calibracin
multivariable para la resolucin del sistema complejo. La segunda opcin fue
elegida en este estudio debido a la sencillez, rapidez y bajo costo que presenta.
El fin ltimo de los mtodos de calibracin multivariable es encontrar relaciones
tiles entre los datos espectroscpicos obtenidos mediante las mediciones en FT-
-
35
IR, y el anlisis SARA usando la norma ASTM que es costosa y con mediciones
prolongadas. Las relaciones encontradas mediante la calibracin multivariable se
utilizan para predecir el anlisis SARA de las muestras de fondos de vaco
rpidamente y con una buena exactitud, evitando la aplicacin tediosa de los
mtodos ASTM.
En la mayora de los anlisis qumicos los mtodos multivariables aplicados son, la
regresin de componentes principales (PCR), regresin por mnimos cuadrados
parciales (PLS-R) y el anlisis por componentes principales (PCA) [11, 13,14,20,24 34].
1.4.1. Calibracin multivariable
La calibracin multivariable se puede definir como la actividad de encontrar
relaciones entre una o ms variables de respuesta y y una matriz de variables
predictoras x, de manera que se cumpla la ecuacin 4.
)(XgY (Ecuacin 4)
La variable y puede ser un parmetro cuantitativo o cualitativo que representa
una propiedad de inters en el sistema, y la matriz x contiene informacin
relevante de la muestra determinada por el nmero de variables en la matriz x y
por la incertidumbre asociada a la determinacin de los parmetros y y x . La
forma de la funcin g(x) depende del mtodo de regresin empleado, por lo cual
puede existir ms de una posibilidad de ajuste de los datos diferencindose
bsicamente en la complejidad de la funcin y en sus parmetros estadsticos.
1.4.2. Clasificacin de los mtodos de calibracin multivariable
Segn Martens & Naes, [22] - los mtodos de calibracin multivariable ms
relevantes se clasifican basndose en los siguientes aspectos fundamentales:
- Segn la relacin entre las variables dependiente e independiente:
Calibracin lineal: descrita mediante un modelo lineal.
-
36
k
k
kkXbbY1
0 (Ecuacin 5)
Siendo bo, y bk los parmetros a determinar y, Xk las variables independientes. Es
decir, son modelos lineales en los parmetros.
Calibracin no-lineal: basada en modelos no lineales en los parmetros:
XY (Ecuacin 6)
Donde y son los parmetros a determinar.
- Segn la forma de encontrar la relacin entre las variables: pueden ser
Mtodos directos, donde los parmetros de calibracin se calculan directamente a
partir de la seal de cada uno de los analitos en forma individual, o
Mtodos indirectos, donde tales parmetros se calculan a partir de las seales
analticas de mezclas de los componentes.
- Segn la variable que se defina como dependiente o independiente:
Calibracin clsica: si la calibracin sigue el criterio directamente relacionado con
la ley de Beer-Lambert. Donde la seal analtica acta como variable dependiente
y la propiedad a predecir como variable independiente.
Calibracin inversa: la propiedad a predecir acta como variable dependiente y la
seal analtica como variable independiente.
Teniendo en cuenta esta ultima clasificacin, cabe destacar como calibracin
clsica la regresin lineal mltiple clsica (CLS, Classical Least Squares) y los
mtodos de regresin sesgados, basados en la reduccin de variables. Estos
-
37
ltimos, teniendo en cuenta la ordenacin de los datos espectroscpicos utilizados
en este trabajo se pueden dividir en dos grandes bloques:
Mtodos unfolded: entre los que se destaca la regresin en componentes
principales (PCR), la regresin por mnimos cuadrados parciales (PLS) y la
regresin continua (CR)- Mtodos N-Way: entre los que se destaca el parallel
factor analysis (PARAFAC) y el PLS multidimensional (N-PLS).
1.4.3. Construccin de modelos de calibracin multivariable
El objetivo de los mtodos de calibracin multivariable es establecer modelos de
calibracin que sean capaces de predecir el valor de la propiedad estudiada para
nuevas muestras, a las que se ha registrado la seal analtica.
Segn La Norma ASTM E-1655 [23], la construccin de modelos de calibracin
multivariable a partir de espectroscopa IR debe regirse por las siguientes etapas:
-Seleccin de muestras para la calibracin: se debe contar con muestras
altamente representativas que contengan la mxima variabilidad fsica y qumica
esperada en las muestras para las cuales ser aplicado el modelo.
-Caracterizacin de muestras de calibracin: la caracterizacin se debe realizar
por un mtodo de referencia previamente establecido, el cul sea altamente
confiable y haya sido evaluado estadsticamente.
-Toma de espectros infrarrojo: incluye la seleccin de condiciones experimentales
ptimas de adquisicin espectral y tratamientos previos de acondicionamiento de
la muestra.
-Pretratamiento: el suavizado para reducir el ruido en los datos, la normalizacin
para lograr que los datos estn aproximadamente a la misma escala, la
centralizacin para evitar que ciertos puntos tengan ms peso que otros en el
modelo y la derivacin de diferente orden para extraer informacin detallada que
no puede ser observada en el espectro normal.
-
38
-Clculo del modelo matemtico: despus de encontrar el pretratamiento ptimo
de la seal, se da la aplicacin de tcnicas de regresin sobre los datos
espectrales.
-Seleccin del modelo: en esta etapa se establece la relacin ms simple posible
entre la propiedad a determinar y la seal analtica. Esto en muchas situaciones
implica un estudio complejo de la matriz de datos analticos obtenidos, ya que no
siempre es necesaria la utilizacin de toda la informacin registrada. Es necesaria
la aplicacin de tcnicas de regresin sobre los datos espectrales.
-Validacin del modelo de calibracin: Despus de calcular la ecuacin para una
determinada calibracin es esencial determinar la capacidad del modelo para
predecir valores desconocidos. Un parmetro estadstico utilizado es el error
medio de prediccin, basado en el cuadrado de las diferencias entre los valores de
referencia y los predichos por el modelo de calibracin. Otro es el error medio de
calibracin definido como:
c
c
i
ii
n
yy
RMSEC
1
2)(
(Ecuacin 7)
Donde iy es el valor de referencia de la respuesta, iy es el valor de la respuesta
predicho por el modelo y cn es el nmero total de muestras en el conjunto de
calibracin.
Un modelo de calibracin se puede validar mediante validacin cruzada, si no se
cuenta con un nmero suficiente de muestras o mediante un conjunto externo de
muestras de validacin.
-Validacin cruzada: La validacin cruzada, consiste en la utilizacin de los datos
del conjunto de calibracin para validar el modelo. El conjunto de calibracin inicial
-
39
se divide en diferentes grupos de cancelacin. Cada vez que se calcula el modelo
se deja un grupo de cancelacin fuera y se calcula la ecuacin de la regresin con
los dems datos. Una vez realizada la calibracin se pone a prueba el modelo con
los datos del grupo de cancelacin excluido. Se repite el proceso de manera
sucesiva dejando cada vez un grupo de cancelacin fuera del proceso de clculo.
Si el nmero de grupos de cancelacin es igual al nmero de objetos en el
conjunto de calibracin, cada vez quedar un objeto fuera del clculo del modelo y
el proceso de denomina validacin cruzada total o leave-one-out. Cuando se
utiliza validacin cruzada para validar un modelo se puede definir la raz cuadrada
de la media del error al cuadrado (RMSECV) como:
C
C
i
iCVi
n
yy
RMSECV
1
2
, )(
(Ecuacin 8)
-Validacin mediante conjunto de validacin externa: La validacin mediante un
conjunto de datos externo consiste en dividir inicialmente el conjunto de muestras
en dos grupos: calibracin y validacin. El modelo de regresin se calcula a partir
de los datos del conjunto de calibracin y, el modelo calculado, se pone a prueba
con los datos del conjunto de validacin que no han sido utilizados para calcular la
ecuacin de calibracin del modelo. En este caso se puede definir la raz cuadrada
de la media del error de prediccin al cuadrado (RMSEP) para el conjunto de
validacin.
p
n
i
ii
n
yy
RMSEP
p
1
2)(
(Ecuacin 9)
Donde es el nmero de muestras en el conjunto de validacin.
-
40
Otro parmetro muy utilizado en el caso de la espectroscopia IR para evaluar la
calidad de un proceso de regresin es el parmetro SESGO o BIAS que se define
como:
p
n
i
ii
n
yy
SESGO
p
1
(Ecuacin 10)
-Implementacin del modelo al anlisis de muestras desconocidas: en esta etapa
final, el modelo se instala como herramienta de anlisis de rutina y se realizan
chequeos peridicos para evaluar su desempeo.
-Comparacin de la exactitud de dos mtodos: La exactitud del mtodo de
referencia y el mtodo espectroscpico se compara a travs del test de Student de
la t para las diferencias entre el valor de referencia y el estimado para (n-1) grados
de libertad y nivel de significacin para un grupo n de muestras. Con este test se
determinar si el valor de la media para las diferencias de las muestras pareadas
es estadsticamente igual a cero, lo cual indicar si los dos mtodos miden igual.
Si el valor de la t calculada es menor que el valor de la t crtica entonces se
cumple la hiptesis nula (la media de las diferencias es igual a cero) y se podr
afirmar que ambos mtodos poseen la misma exactitud.
1.4.4. Tcnicas de Pretratamiento de Datos
1.4.4.1. Suavizado espectral
El suavizado espectral se aplica en aquellos casos en los que la relacin
seal/ruido es pequea, y por medio de algoritmos matemticos aplicados al
espectro se reduce el ruido suavizando la seal. Los mtodos de suavizado ms
habituales son los basados en filtros de Savitzky Golay y transformadas de
Fourier.
-
41
1.4.4.2. Normalizacin
sta se usa para lograr que los datos estn aproximadamente a la misma escala,
y puede ser mediante el uso de:
-Normalizacin por rangos: con sta transformacin se normaliza un espectro Xi
calculando el rea bajo la curva del espectro. Se intenta corregir el espectro de
longitud de la trayectoria indeterminada cuando no hay forma de medirla, o aislar a
un grupo de un componente constante.
-Normalizacin media: Este es el caso ms clsico de la normalizacin. Consiste
en dividir cada fila de una matriz de datos por su media, neutralizando as la
influencia de los factores ocultos.
-Mxima normalizacin: Esta es una alternativa a la normalizacin clsica que
divide cada fila por su valor mximo absoluto en lugar de la media.
-Propiedad de un mximo de muestras normalizadas: Si todos los valores son
positivos: el valor mximo se convierte en 1. Si todos los valores son negativos: el
valor mnimo se convierte en -1. Si el signo de los cambios de valores en la
curva: o bien el valor mximo se convierte en 1 o el mnimo valor se convierte en -
1.
1.4.4.3. Correccin de lnea base
La correccin de la lnea base intenta corregir determinadas tendencias en la lnea
base que aporta el ruido a la seal. Existen varios tipos de correccin de lnea
base segn el efecto que se desea corregir. Un tipo de correccin es el que
modela la lnea base como una funcin simple de longitud de onda y sustrae esta
funcin a todos los datos espectrales.
1.4.4.4. Centralizacin
La centralizacin evita que ciertos puntos tengan ms peso que otros en el
modelo. Consiste en calcular el valor medio de cada variable (Xm) del conjunto de
calibracin (de cada columna de la matriz), y restar este valor a cada punto (Xi,m).
-
42
X'i ,m = Xi ,m Xm (Ecuacin 11)
Siendo Xi,m el dato centrado, Xi,m el dato de la fila i y la columna m antes del
centrado, Xm la media de la columna m (Xm = xi ,m / I ). La propiedad
fundamental de los datos centrados es que el valor medio de cada una de las
variables es igual a cero.
1.4.4.5. Derivacin
La derivada tiene como funcin extraer informacin detallada que no puede ser
observada en el espectro normal y sta puede ser de diferente orden [25]:
-Derivadas (primera y segunda): La diferenciacin o clculo de derivadas permite
acentuar las diferencias existentes en los datos espectrales. Tanto la primera
como la segunda derivada se utilizan a menudo para el tratamiento de los datos.
La segunda derivada elimina el ruido de fondo lineal y constante. Los dos
principales algoritmos de diferenciacin son el de Savitzky-Golay y el de Norris. El
primero, permite calcular derivadas de primer o mayor orden incluyendo un factor
de suavizado que determina el nmero de variables adyacentes, las cuales se
usarn en la estimacin de la aproximacin polinmica utilizada en la derivacin.
El algoritmo de Norris, a diferencia del anterior, solo permite el clculo de
derivadas de primer orden.
Una desventaja del uso de las derivadas es que disminuyen el valor de la relacin
seal-ruido, por esta razn, se recomienda realizar un suavizado de la seal antes
de la diferenciacin de los datos. Otra desventaja es que en ocasiones los
modelos de calibracin obtenidos mediante datos espectrales tratados con primera
o segunda derivada, son menos robustos frente a cambios instrumentales, como
por ejemplo derivas de la longitud de onda, que ocurren a lo largo del tiempo, por
lo que habra que revisar las calibraciones.
-
43
1.4.5. Mtodos basados en reduccin de variables
Estos mtodos se basan en que la informacin contenida en las variables de la
seal puede estar contenida en un nmero menor de variables sin que haya
prdida de informacin relevante. El proceso de calibracin se realiza, no sobre
los datos originales, sino sobre estas nuevas variables, simplificando el modelo y
la interpretacin de los resultados.
Este tipo de mtodos de calibracin son de espectro completo no presentan
problemas de colinealidad ni las consecuencias derivadas de ella, por estas
razones, la tendencia actual es la utilizacin de mtodos de calibracin basados
en una reduccin de variables previamente al clculo del modelo. Generalmente,
al igual que en el anlisis de componentes principales (PCA), los procedimientos
de reduccin de variables no son realizados sobre los datos originales sino que se
centran o autoescalan previamente, uno de estos mtodos es PLS-R (regresin
parcial por mnimos cuadrados) [7,21].
1.4.6. Anlisis Por Componentes Principales (PCA)
El anlisis por componentes principales es el primer paso cuando se emplean
mtodos multivariables de anlisis de datos, y se aplica con diferentes finalidades
entre ellas cabe destacar la clasificacin y la reduccin de la dimensionalidad de
los datos.
Para esto se parte de una matriz de datos X, donde cada fila es una muestra, y
cada columna una variable, que puede ser la absorbancia o la longitud de onda.
La dimensionalidad de esta matriz, si se han registrado m muestras y k variables,
ser m x k. La situacin de estas variables podra representarse geomtricamente
identificando cada variable con un vector y la no correlacin lineal de dos variables
como la ortogonalidad (ngulo de 90) entre los vectores correspondientes. Por
tanto estarn ms correlacionadas cuanto ms difiera su posicin relativa del
ngulo recto. Mediante el anlisis de componentes principales (PCA) se lleva a
cabo una diagonalizacin de la matriz de covarianzas, que transforma las m
-
44
variables originales en un nmero menor de nuevas variables incorrelacionadas
que contienen la informacin principal del sistema, eliminando la informacin
redundante o reduciendo la contribucin por parte del ruido.
La ASTM define, en su norma E131 [30], el anlisis por componentes principales
como un procedimiento matemtico para resolver conjuntos de datos hallando
componentes o vectores ortogonales entre s, llamados componentes principales
(PC), cuya combinacin lineal se aproxima a los datos originales de acuerdo al
grado de exactitud deseado. Tales componentes modelan la variacin
estadsticamente significativa en el conjunto de datos as como el error aleatorio
presente, de manera que se pueden detectar fenmenos que a primera vista no
parecen evidentes [26].
Geomtricamente, el PCA es un cambio en la direccin y dimensionalidad de los
ejes (figura 9). Busca las direcciones ortogonales que explican la mxima
variabilidad de las muestras y las utiliza como nuevos ejes de coordenadas (PC)
para representarlas. Los componentes principales se determinan con base en el
criterio de varianza mxima. El primer componente principal es la direccin que
explica la mxima variabilidad de la matriz X; el segundo se escoge de tal forma
que sea perpendicular al primero y que explique la mxima variabilidad de la
matriz X no contenida en el primer componente, y as sucesivamente. De este
modo unas pocas variables explicarn un porcentaje suficientemente alto como
para prescindir de las variables originales y trabajar a partir de ese momento con
las variables nuevas; de esta manera se podra reducir considerablemente la
dimensin del anlisis posterior.
Para poder definir los componentes principales se utiliza la grfica de pesos
(loadings) y la grfica de puntuaciones (scores). La grfica de pesos contiene los
coeficientes de las transformaciones lineales de las variables originales que
posteriormente darn lugar a ellos mismos, y geomtricamente son los cosenos de
los ngulos que forman con los antiguos ejes, mientras que el grafico de
-
45
puntuaciones (scores) revela las coordenadas de las muestras en estos nuevos
ejes.
Cuanto ms cerca estn las muestras en la grfica de las puntuaciones, ms
similares son con respecto a los dos componentes en cuestin. Por el contrario,
las muestras que se encuentran muy distanciadas (no pertenecen al mismo grupo)
son diferentes unas de otras. La grfica de puntuaciones se puede utilizar para
interpretar las diferencias y similitudes entre las muestras.
Figura 9. Interpretacin geomtrica de un PCA.
A partir de la matriz X construida de la informacin espectral obtenida para m
muestras medidas a k longitudes de onda, se realiza una descomposicin por
componentes principales que proporciona una aproximacin a la matriz X como un
producto de dos matrices, T (matriz de puntuaciones) y P (matriz de cargas), ms
una matriz E de residuales de X. (ecuacin 12):
ETPXT (Ecuacin 12)
La matriz T contiene informacin pertinente a las relaciones entre muestras y est
constituida por m filas, que corresponden al nmero de muestras u objetos, y A
-
46
columnas, que corresponden al nmero de componentes principales ms
dominantes. La matriz P explica la relacin existente entre variables originales y
est constituida por A filas y k columnas, y E representa el ruido o la informacin
no relevante.
El producto TPT se puede representar como la suma de A trminos (ecuacin 12),
que corresponde a cada una de las columnas y filas de las matrices T y P
respectivamente cada uno de dichos trminos se denomina factor o componente
principal [24].
EptptptXT
aa
TT 2211 (Ecuacin 13)
Como se dijo anteriormente los diferentes componentes principales no contienen
la misma informacin. Los primeros describen la fuente de variacin ms
importante de los datos, que se puede asociar a la informacin ms relevante, y
los ltimos solo describen variaciones debidas al ruido, permitiendo una reduccin
importante del nmero de variables. Para tener una reproduccin mas perfecta de
la matriz X se necesitan k vectores de cargas y puntuaciones, sin embargo es
posible representar la matriz original con un numero a
-
47
calibracin, el PLS utiliza tanto la informacin contenida en la matriz de datos
(matriz X. Datos espectroscpicos) como la informacin contenida en la matriz de
la propiedad a determinar (matriz Y, anlisis SARA), para encontrar un conjunto de
variables auxiliares llamadas variables latentes VL o factores en X que mejor
predicen las variables latentes en Y [21,11]. En la figura 10 se muestra la
descripcin del PLS.
Figura 10. Descripcin grfica del modelo de regresin PLS
Como en el caso del anlisis por componentes principales, estas nuevas variables
en X y Y se pueden representar como un producto de matrices segn se muestra
en las ecuaciones 14 y 15.
EptETPX TaaT (Ecuacin 14)
FquFUQY TaaT (Ecuacin15)
Donde:
T y U son las matrices de puntuaciones (scores) de X y Y respectivamente;
P y Q son las matrices de pesos (loadings) de X y Y respectivamente;
-
48
E y F son los residuos.
Si tenemos m muestras, a factores, k variables y p analitos, la dimensionalidad de
las matrices es la siguiente: T y U (m x a), PT (a x k) y QT (a x p). En este caso los
loadings no coinciden exactamente con la direccin de mxima variabilidad de las
muestras como en el caso de PCA, ya que estn corregidos para obtener la
mxima capacidad predictiva para la matriz Y.
La descomposicin de ambas matrices no es independiente, sino que se realiza
de forma simultnea, establecindose una relacin interna entre los scores de los
bloques X y Y de forma que para cada VL a, se cumpla que:
aaa tbu (Ecuacin 16)
Donde ba es el coeficiente de regresin para cada VL obtenido a travs de la
ecuacin 17.
a
T
a
a
T
aa
tt
tub (Ecuacin 17)
A partir de la ecuacin 16 se calcula el valor de Y utilizando la relacin interna au
FTBQY T (Ecuacin 18)
Donde B es la matriz de los regresores de ab , de dimensiones (a x a), y F la
matriz de los residuales de Y. En el caso de calcular una sola propiedad de la
matriz Y el algoritmo recibe el nombre de PLS 1 y si se determinan
simultneamente varias propiedades recibe el nombre de PLS 2 [21].
-
49
2. PARTE EXPERIMENTAL
En el Laboratorio de Espectroscopa Atmica y Molecular (LEAM) de la
Universidad Industrial de Santander, se han venido desarrollando en los ltimos
aos investigaciones originadas por el convenio 003 de 2007 ICP-UIS, generando
aportes cientficos y tecnolgicos en la caracterizacin del petrleo colombiano.
Actualmente, el laboratorio desarrolla investigaciones del crudo y sus fracciones
como el anlisis de asfaltenos por medio de la tcnica de PAS, crudo por FTIR-
ATR y fondos de vaco por LIF, entre otras.
2.1. ESQUEMA EXPERIMENTAL
En la figura 11 se muestra un esquema metodolgico de los pasos que se
realizaron para el desarrollo del proyecto.
Figura 11. Esquema metodolgico
-
50
2.2. SELECCIN DE MUESTRAS
Para la realizacin del presente trabajo se utilizaron treinta y seis (36) muestras de
fondos de vaco de diferentes crudos colombianos, veintiocho de ellas fueron
usadas como grupo de calibracin (tabla 3), y las ocho restantes se usaron como
grupo de validacin externa (tabla 4); tanto las muestras como el anlisis SARA
(realizado por medio de la norma ASTM D-2007) fueron suministradas por el
Instituto Colombiano de Petrleo (ICP)
Tabla 3. Anlisis SARA del grupo de calibracin
Fondo de vaco
Saturados Aromticos Resinas Asfaltenos
1 11,1 47,7 30,7 10,5
2 16,4 42,1 32,8 8,7
3 14,6 48,8 27,5 9,1
4 13,1 38 29,8 19,1
5 19,1 40,3 29,9 10,7
6 19,3 47,5 28,4 4,8
7 12,4 45,3 31,8 10,5
8 9,9 59,6 22,1 8,4
9 4,5 56,3 26,2 13
10 4,1 37,1 27,5 31,3
11 6 42 32,8 19,2
12 10,4 59,2 16,8 13,6
13 17,8 49,9 23,4 8,9
14 16,9 48,7 27 7,4
15 35,8 44,7 18,2 1,3
16 15 45,1 26,4 13,5
17 4,2 34,1 32,9 28,8
18 29,8 45,7 20,3 4,2
19 19,2 44,9 25,2 10,7
20 16 45,4 25,4 13,2
21 15,2 42,3 36,6 5,9
22 11 44,4 31,1 13,5
23 17,6 44,3 28,9 9,2
24 2,8 35,9 31,6 29,7
25 13 39,5 18,2 29,3
26 24,3 49,8 20,1 5,9
-
51
27 15,8 49,5 25 9,7
28 21,1 40,9 29,2 8,8
Tabla 4. Anlisis SARA del grupo de validacin
Fondo de vaco
Saturados Aromticos Resinas Asfaltenos
1 11,8 41,7 29,8 16,7
2 7,3 40,7 26,9 25,1
3 5,4 54,5 28,8 11,3
4 14,4 43,6 24,8 17,2
5 19,9 49,7 21 9,4
6 13,8 49,7 25,6 11
7 16,1 45,8 26,5 11,6
8 14,8 51,4 24,8 9,1
2.3. MONTAJE EXPERIMENTAL
2.3.1. Instrumentacin
El laboratorio de espectroscopa atmica y molecular (LEAM) de la UIS cuenta con
una celda fotoacstica MTEC 200 que se adapt a un equipo FT-IR Tensor 27
marca Bruker, como primer paso para la adquisicin de los espectros PAS-FTIR.
Figura 12. Sistema PAS acoplado al equipo IR Tensor 27 marca Bruker
El sistema PAS-FTIR que fue acoplado consta de las siguientes partes:
-
52
1. Celda PAS (figura 12a). Est formada principalmente por un compartimiento
para la muestra, por una cmara que mantiene confinado el gas inerte y garantiza
que est en contacto con la muestra mientras se adquiere cada espectro, y por un
micrfono que detecta las variaciones de presin del gas. La figura 13 muestra el
exterior de la celda PAS. En el interior de la celda la cmara es sellada para
garantizar que el gas no se escape a la atmsfera durante la toma de cada
espectro.
Figura 13. Celda PAS modelo MTEC 200
2. Amplificador (figura 12b) usado para amplificar la seal y controlar remotamente
la ganancia del pre-amplificador localizado dentro del micrfono. La ganancia
puede modificarse desde 1 hasta 128. La magnitud de la ganancia se determina
de acuerdo a la velocidad del espejo del interfermetro.
3. Interfaz (figura 12c) usada para llevar la seal fotoacstica hasta el procesador
de la seal del equipo FT-IR.
4. Flujmetro (Figura 12d) se encarga de controlar el flujo de gas He que es
introducido a la celda. El gas He adems de servir como el portador de la seal, se
usa para purgar la celda de los gases atmosfricos (vapor de H2O y CO2). El flujo
de gas debe ser controlado para minimizar el riesgo de dao del micrfono.
-
53
2.4. DETERMINACIN DE PARAMETROS
Luego de acoplar la celda se variaron parmetros del sistema PAS y del equipo IR
para obtener espectros con relacin seal ruido aceptable. La relacin seal-ruido
(S/N) es una medida til para describir la calidad de un mtodo analtico o el
funcionamiento de un instrumento. En general, el ruido degrada la exactitud y la
precisin, y establece un lmite inferior en la cantidad de analito que se puede
detectar. En la mayora de medidas el valor promedio del ruido es constante e
independiente de la seal. Por esto el efecto del ruido en el error relativo de una
medida aumenta con la disminucin de la cantidad de analito. La magnitud del
ruido puede definirse como la desviacin estndar de las medidas de la intensidad
de la seal, que a su vez viene dada por la media de las intensidades. De este
modo la relacin S/N se expresa por el siguiente cociente.
estndardesviacin
media
N
S (Ecuacin 18)
La figura 14 muestra el aspecto de una muestra de fondo de vaco con diferente
relacin S/N.
Figura 14. Efecto de la relacin seal ruido en un espectro de una muestra de fondo
de vaco
3000 2000 1000 500
NMERO DE ONDA (cm-1)
UN
IDA
DE
S A
RB
ITR
AR
IAS
DE
A
BS
OR
BA
NC
IA
-
54
Las variables que se tuvieron en cuenta para obtener los espectros IR con la mejor
relacin seal- ruido fueron:
- Nmero de barridos.
- Velocidad de espejo.
- Ganancia de la seal.
- Resolucin
Las mejores condiciones para la toma de espectros fueron: una velocidad de
espejo de 0.0583 cm/s, una resolucin de 8 cm-1, 256 barridos y una ganancia de
1. Debido a que bajo estas condiciones se obtuvo el mximo valor de la relacin
seal/ruido, se fijaron estos valores y se realiz la toma de los espectros de los 37
fondos de vaco.
2.4.1. Verificacin del desempeo del Espectrofotmetro
Para medir el desempeo del equipo IR se realiz una prueba establecida dentro
de los protocolos de funcionamiento de un equipo. Para este caso se determin la
repetibilidad en las medidas de absorbancia de un fondo de vaco.
Cuando se hace un experimento por segunda vez, ste se repite en algunos
aspectos pero no en todos; se puede considerar que las condiciones externas e
internas del experimento no son exactamente las mismas, y que por tanto el
experimento es diferente para cada evento. Por tal motivo se calcularon las
desviaciones estndar para las absorbancias medidas a 1616,57 y 1462,12 cm-1
en 7 espectros adquiridos sobre una misma muestra. Las desviaciones
encontradas para cada uno de los espectros fueron inferiores a 0.002 (Figura 15),
asegurando de esta manera la repetibilidad del espectrofotmetro.
-
55
Figura 15. Prueba de repetibilidad del espectrofotmetro FTIR
2.5. ADQUISICIN Y ANLISIS DE ESPECTROS PAS
El espectro PAS-FTIR de cada muestra fue el resultado de las siguientes
condiciones: intervalo espectral de 4000 a 400 cm-1, 256 barridos, velocidad de
espejo de 0.0583 cm/s y resolucin de 8 cm-1. El negro de humo se us como
material de referencia (background) y helio como gas de purga de la celda PAS.
2.5.1. Espectros MIR de fondos de vaco
En general, los espectros MIR de los fondos de vaco presentan las mismas
bandas apreciadas en los crudos y sus fracciones livianas.
Vibraciones alifticas:
Las flexiones asociadas a la cadena carbonada ( CC ) son vibraciones de baja
energa, fuertemente acopladas y fuera del rango del IR medio. Las vibraciones de
tensin ( CC ) son en general dbiles (baja polaridad de estos enlaces) y
fuertemente acopladas, observndose en la zona de la huella de la molcula
(1600-1300 cm-1). Las vibraciones de estiramiento ( HC ) se presentan en la
zona de 3000-2800 cm-1, su posicin es muy estable y corresponden
Espectro1616,57
cm-11462,12
cm-1
1 0.028 0.061
2 0.029 0.061
3 0.031 0.063
4 0.028 0.058
5 0.028 0.060
6 0.033 0.062
7 0.030 0.063
Media 0.030 0.061
Desviacin 0,002 0,001
1462,12
1616,57
-
56
esencialmente a los movimientos localmente acoplados de los hidrgenos unidos
a un mismo carbono.
Figura 16. Deconvolucin de la regin entre 3000-2800 cm-1
Fuente: ORREGO, J. Estudio de la estructura de cinco carbones por espectroscopia fotoacstica
en el infrarrojo medio [15]
Los picos 1 y 2 corresponden a las tensiones asimtricas de los grupos CH2 y CH3
respectivamente, mientras que los picos 3 y 4 a las tensiones simtricas de estos grupos.
Vibraciones asociadas al grupo metilo:
Las vibraciones HC del grupo metilo corresponden a movimientos acoplados.
Se observan 2 bandas: la vibracin de estiramiento en el plano de los tres enlaces
CH3 a 2870 cm-1 (pico 2 de la figura 16), y a la vibracin asimtrica fuera del plano
a 2960 cm-1 (pico 4 de la figura 16), esta ltima ms intensa. Las vibraciones de
flexin ms relevantes de los grupos metilo son las correspondientes a la flexin
de deformacin en el plano 3CH
a 1378 cm-1; esta banda permite la deteccin
de ramificaciones; y la flexin de deformacin asimtrica fuera del plano 3CH
a
1463 cm-1. La presencia de ms de un grupo metilo sobre un mismo carbono
produce pequeos acoplamientos entre estas vibraciones, que aparecen como
dobletes, tal como se muestra en la figura 17.
-
57
Figura 17. Bandas de vibracin para el grupo CH3
a. no hay ramificacin si la banda es sencilla. b. La presencia de un grupo iso-propilo se
detecta por la aparicin de un doblete simtrico (1385 y 1368 cm-1
). c. la presencia de un
grupo ter-butilo se detecta por un doblete asimtrico (1395 y 1368 cm-1
).
Vibraciones asociadas al grupo metileno:
Al igual que en el grupo metilo, las vibraciones de estiramiento HC de los
grupos metileno tienen carcter acoplado. Se observan dos bandas que
corresponden a la vibracin de estiramiento en el plano 2CH a 2815 cm-1 (figura
16, pico 1), y a la vibracin fuera del plano 2CH a 2926 cm-1 (pico 3). La
vibracin de flexin en el plano ms interesante es la de tijera 2CH
a 1463 cm-1,
que usualmente aparece superpuesta con la banda fuera del plano 3CH de los
grupos metilos. La banda de balanceo 2CH de los grupos CH2 posee cierta
utilidad diagnstica, ya que cuando est presente una cadena carbonada de
cuatro o ms grupos metilenos contiguos aparece como una banda dbil a 720
cm-1.
a b c
-
58
Vibraciones asociadas a los grupos aromticos:
Los hidrocarburos aromticos presentan numerosas bandas de absorcin en el
MIR. Las vibraciones de tensin HC causadas por la hibridacin sp2 de los
carbonos aromticos aparecen a 3100-3000 cm-1, generalmente son varias
bandas cercanas, a veces no resueltas: 3096-3048, 3039- 3025 y 3020-3000 cm-1.
A 1604, 1585, 1500 y 1450 cm-1 se presentan varias bandas producto del
acoplamiento de las vibraciones de los enlaces C=C del anillo aromtico CC .
Dependiendo de la simetra y el patrn de sustitucin algunas de estas bandas
pueden no observarse.
Las vibraciones de flexin HC dan lugar a bandas intensas en la zona de
bajas frecuencias y dependen del nmero de hidrgenos vecinos en el anillo. En la
Tabla 5 se muestra la posicin de las bandas HC de acuerdo al nmero de
hidrgenos vecinos.
Tabla 5. Vibraciones de flexin del C-H aromtico
H vecinos Posicin de las
bandas (cm- 1
)
1 900-860
2 860-800
3 810-750
4 770-735
5 770 - 730
-
59
2.6. PROCESAMIENTO DE DATOS
2.6.1. Pretratamiento de datos
Los datos espectroscpicos obtenidos se analizaron utilizando las herramientas
del software The Unscrambler versin X [32] donde inicialmente se realiz un
procesamiento de los datos para disminuir la fuente de variabilidad causadas por