Многомерный  статистический  анализ  сложением  частных  критериев  хи-квадрат

Вестник Национальной академии наук Республики Казахстан  
 
 
   
8  
имеем  возможность  анализировать  не  один,  а 416 биометрических  параметров.  Если  мы  имеем 
выборку из 16 примеров, то у нас появляется возможность  анализировать 16
416=6656 отсчетов. 
Появляется реальная возможность увеличить объем обрабатываемых данных и тем самым поднять 
достоверность принимаемых решений. 
Для многомерной обработки воспользуемся сложением частных критериев Пирсона: 
q
))
(
...
)
(
)
(
)
,...,
,
(
q
2
2
2
1
2
q
2
1
2














 .                                     (3) 
Преобразование (3) эквивалентно использованию сети частных критериев Пирсона, структура 
сети Пирсона приведена на рисунке 3. Сеть частных хи-квадрат критериев Пирсона имеет входные 
и  выходные  нелинейные  преобразования  при  линейном  суммированием  данных  между  ними 
(преобразование в соответствии с моделью Гаммерштейна-Винера).  
 
 
Рисунок 3 – Многомерная статистическая обработка данных сетью Пирсона 
 
При  переходе  к  моделированию  сети  частных  критериев  хи-квадрат  Пирсона  достаточно 
вместо  двух  программных  генераторов  псевдослучайных  чисел  использовать q пар  генераторов. 
При  малой  размерности  входных  данных q 
 16 особых  сложностей  в  программировании 
численного  эксперимента  не  возникает.  В  таблице  приведены  значения  равных  вероятностей 
ошибок  первого  и  второго  рода  для  разных  значений  порогов  выходного  квантователя  сетей 
Пирсона, а также для разной входной размерности. 
 
Вероятности ошибок P
ЕЕ
 для разных значений порогов и разных значений показателя входной размерности – q 
 
Число опытов n 
9 
16 
25 
36 
49 
64 
81 
100 
121 
Число столбцов 
гистограммы k 
3 4 5 6 7 8 9 
10 
11 
Значения вероятностей P
EE 
= P
1
= P
2
 
Размерность 
задачи 
q =1 
0.42 
0.32 
0.24 
0.22 
0.16 0.14 0.13 0.12 0.09 
q =2 
0.389 
0.262 
0.169 
0.109 
0.08 0.04 0.028 
0.023 
0.021 
q =3 
0.355 
0.216 
0.119 
0.068 
0.032 0.024 0.013 0.009 0.006 
q =4 
0.332 
0.187 
0.089 
0.054 
0.019 0.010 0.006 0.004 0.003 
q =5 
0.304 
0.154 
0.061 
0.027 
0.012 0.006 0.004 0.002 0.001 
Значения порогов для обеспечения вероятностей P
EE 
= P
1
= P
2
 
Пороги 
квантования 
q =1 
2.1 
3.1 
4.4 
5.7 
8.3 
11.1 
13.6 
17.1 
19.2 
q =2 
2.2 
3.2 
4.8 
6.8 
9.1 
11.5 
14.4 
17.9 
20.1 
q =3 
2.2 
3.2 
5.0 
6.9 
9.2 
11.6 
14.3 
17.8 
20.2 
q =4 
2.1 
3.2 
4.9 
6.9 
9.2 
11.5 
14.5 
17.8 
20.1 
q =5 
2.1 
3.2 
4.9 
6.9 
9.2 
11.6 
14.4 
17.9 
20.1 

2
(v
1
) 

2
(v
2
) 
:::::::::: 
:::::::::: 

2
(v
q
) 
 
 
 
 
 
«1» 
 
 
«0» 

2
(v
1
, v
2
,…,v
q
) 
P
1 

ISSN 1991-3494                                                                                                                                                № 1. 2015 
 
 
9 
Следует обратить  внимание на то, что значения порога равной вероятности ошибок остается 
практически  одним  и  тем  же  для  всех  показателей  размерности  таблицы  №1.  Это  крайне  инте-
ресный факт, свидетельствующий о значительном упрощении задачи из-за корректно выполненной 
симметризации.  Иллюстрацией  этой  ситуации  является  рисунок 4, где  приведены  распределения 
расстояний  на  выходе  трехмерной  сети  Пирсона  для  нормального  и  равномерного  законов 
распределения значений. 
 
 
 
Рисунок 4 – Распределения выходных данных трехмерной сети Пирсона для 25 и 81 опытов 
 
Если сравнивать рисунок 2 и рисунок 4, легко выявить эффект роста линейной разделимости, 
рассматриваемых  распределений  значений  по  мере  увеличения  числа  опытов  в  обучающей 
выборке  и  по  мере  роста  размерности  сети  частных  критериев  Пирсона.  Это  означает,  что,  уве-
личивая  размерность  статистической  обработки,  мы  можем  существенно  снизить  требования  к 
размерам  обучающей  выборки.  Так,  при  одномерной  обработке  для  получения  P
ЕЕ
=0.1  требуется 
использовать  тестовую  выборку,  состоящую  из 112 опытов.  Если  же  мы  воспользуемся 
двухмерной  статистической  обработкой  данных,  то  для  такой  же  вероятности  ошибок  P
ЕЕ
=0.1 
потребуется выборка из 41 опыта. Наблюдается практически двухкратное снижение требований к 
размерам обучающей выборки.  
Аналитическое  описание  хи-квадрат  распределений  для  конечных  выборок  при  про-
верке  гипотезы  нормального  закона  распределения  значений.  Важным  свойством  хи-квадрат 
распределений является то, что они имеют точное аналитическое описание не только для выборок 
бесконечного  объема n=
.  Результаты  проведения  численных  экспериментов  показали,  что  для               
n= 9, 16, 25, 36, 49, … плотность  хи-квадрат  распределения  Пирсона  описывается  через  гамма 
функцию с целыми показателями числа степеней свободы. В частности, для конечной выборки из 
16  опытов  (гистограмм  из 4 столбцов)  плотность  распределения  будет  описываться  следующим 
соотношением: 
2
x
2
1
2
3
2
3
e
)
x
2
(
2
3
2
2
1
)
x
,
3
m
,
16
n
,
1
q
(
p
2


















 .                     (4) 
Для  двухмерного  хи-квадрат  критерия  Пирсона  плотность  распределения  будет  описываться 
аналогичным соотношением: 
2
x
3
1
2
5
2
5
e
)
x
3
(
2
5
2
3
1
)
x
,
5
m
,
16
n
,
2
q
(
p
2


















 .                    (5) 
Повышая размерность входных данных, индукцией удается получить следующее описание хи-
квадрат распределения для произвольного значения – q: 

Вестник Национальной академии наук Республики Казахстан  
 
 
   
10  
2
x
)
2
q
(
1
2
2
q
2
2
)
2
q
2
(
e
)
x
)
2
q
((
2
2
q
2
2
)
2
q
(
1
)
x
,
16
n
,
q
(
p
2























 .         (5) 
Получается,  что  мы  можем  воспользоваться  аналитическими  соотношениями  вида (5) для 
того,  чтобы  построить  таблицы  квантилей  доверительной  вероятности  для  многомерного  хи-
квадрат распределения Пирсона любой размерности – q. По крайней мере это может быть сделано 
для  конечной  выборки,  состоящей  из 16 опытов.  Предположительно,  что  аналогичные  анали-
тические  соотношения  могут  быть  получены  и  для  других  тестовых  выборок  с  числом  опытов 
точно  совпадающие  с  квадратом  числа  столбцов  гистограммы.  Во  всех  иных  случаях  хи-квадрат 
распределения не могут быть  точно  описаны  целыми  показателями  числа  степеней свободы. Для 
их описания должны использоваться дробные (фрактальные) показатели числа степеней свободы. 
Понижение размерности как способ учесть корреляционные связи биометрических дан-
ных. Одной из проблем многомерного обобщения классического хи-квадрат критерия является то, 
что  его  таблицы  квантилей  достоверности  легко  строятся  для  независимых  (не  коррелированных 
данных).  В  биометрии  все  данные  обладают  существенными  зависимостями,  эти  зависимости 
следует учитывать.  
Если  речь  идет  о  действительно  многомерной  статистической  обработке  биометрических 
данных, то вычислять многомерную корреляционную матрицу нет смысла. С ростом размерности 
решаемой  задачи  все  более  и  более  важным  является  ее  симметризация.  В  биометрии  принято                
[4, 5] осуществлять  симметризацию  влияния  корреляционных  связей  через  вычисление 
математического ожидания модулей парных коэффициентов корреляции: 





N
1
i
j
k
)
,
(
r
N
1
R
  при  








j
k
),
N
(
rnd
j
),
N
(
rnd
k
 .                                               (6) 
При  оценках (6) обычно  используется  несколько  сотен  пар  случайно  выбранных  биомет-
рических  параметров.  При  любой  размерности  задачи  удается  заменить  реальные  данные  их 
некоторым  эквивалентом,  имеющим  одинаковые  корреляционные  связи  между  всеми  учиты-
ваемыми  параметрами.  Такое  упрощение  задачи  позволяет  легко  оценить  эквивалентный 
показатель размерности:  
1
)
R
1
(
)
1
q
(
q~
2





 .                                                           (7) 
Чем выше корреляция данных, тем меньше оказывается эквивалентная размерность, обработки 
статистических данных. Рост размерности обработки и рост коррелированности данных работают в 
противоположных  направлениях.  Всегда  можно  понизить  размерность  задачи,  компенсируя  тем 
самым влияние коррелированности данных. То есть, пользуясь преобразованиями вида (7), вполне 
возможно  свести  задачу  применения  многомерных  сетей  Пирсона  к  зависимым  данным  к  более 
простой задаче обработки независимых данных. Соответствующие таблицы пересчета уже созданы 
для  искусственных  нейронных  сетей [4]. Как  следствие,  аналогичные  таблицы  преобразований 
могут быть построены и для сетей частных критериев Пирсона.  
Заключение. Как правило, отраслевые методики статистической оценки гипотез по критерию 
хи-квадрат предполагают использование тестовых выборок из данных о нескольких сотен опытов. 
Итоговый  результат  получается  точным,  однако  во  многих  случаях  получить  столь  большие 
объемы  данных  нельзя.  В  медицине  и  биометрии  считаются  достаточными  выборки  из 20 при-
меров.  Как  правило,  все  примеры  биометрии  и  медицины  многомерны.  Переход  к  многомерной 
статистической обработке предположительно должен значительно снизить требования к размерам 
тестовых  выборок.  В  биометрии  существует  огромный  потенциал  повышения  достоверность, 
принимаемых  статистических  решений  из-за  наличия 400 и  более  контролируемых  биометри-
ческих  параметров  с  показателем  коррелированности  R
0.3.  Необходимо  в  ближайшее  время 
рассчитать  таблицы  взаимной  компенсации  показателя  коррелированности  данных  и  их 
размерности. 

ISSN 1991-3494                                                                                                                                                № 1. 2015 
 
 
11 
ЛИТЕРАТУРА 
 
[1]
 
Р 50.1.037-2002 Рекомендации по стандартизации. Прикладная статистика. Правила проверки согласия опытного 
распределения с теоретическим. – Ч. I. Критерии типа χ
2
. Госстандарт России. – М., 2001. – 140 с. 
[2]
 
Р 50.1.037-2002 Прикладная статистика. Правила проверки согласия опытного распределения с теоретическим. – 
Ч. II. Непараметрические критерии. Госстандарт России. – М., 2002. – 123 с. 
[3]
 
«БиоНейроАвтограф» – среда моделирования больших искусственных нейронных сетей, преобразующих данные 
рукописных образов в код пароля. Среда создана лабораторий биометрических и нейросетевых технологий ОАО «Пен-
зенский  научно-исследовательский  электротехнический  институт»  в 2009–2014 гг.  для  свободного  использования 
университетами России, Казахстана и Белоруссии, архивы с исполняемыми файлами размещены в свободном доступе: 
http://пниэи.рф/activity/science/noc.htm. 
[4]
 
Aхметов  Б.С.,  Надеев  Д.Н.,  Фунтиков  В.А.,  Иванов  А.И.,  Малыгин  А.Ю.  Оценка  рисков  высоконадежной  био-
метрии. Монография. – Алматы: Из-во КазНТУ им. К.И. Сатпаева, 2014. – 108 с. 
[5]
 
Ахметов Б.С., Волчихин В.И., Иванов А.И., Малыгин А.Ю. Алгоритмы тестирования биометрико-нейросетевых 
механизмов  защиты  информации  Казахстан. – Алматы:  КазНТУ  им.  Сатпаева, 2013. – 152 с. ISBN 978-101-228-586-4, 
http://portal.kazntu.kz/files/publicate/2014-01-04-11940.pdf 
 
 
REFERENCES 
 
[1]
 
R 50.1.037-2002 Recommendations for standardization. Applied statistics. Validation rules of the consent of an 
experienced distribution with the theoretical. Ch. I. χ2 type criteria. GosStandart of Russia. – M., 2001.– 140 с. (in Russ.). 
[2]
 
Р 50.1.037-2002 Applied statistics. Validation rules of the consent of an experienced distribution with the theoretical. – 
Ch. II. Non-parametric test. GosStandart of Russia. – М., 2002. – 123 с. (in Russ.). 
[3]
 
«BioNejroAvtograf» – environment of simulation of large artificial neural networks that convert handwritten image data 
in a password code. Environment is established by laboratories of biometric and neural network technology of JSC "Penza 
scientific-research electrotechnical institute" in 2009-2014. for free use by universities of Russia, Kazakhstan and Belarus, 
archives with executable files are placed in the public domain: http://пниэи.рф/activity/science/noc.htm. (in Russ.). 
[4]
 
Akhmetov B.S., Nadeev D.N., Funtikov V.A., Ivanov A.I., Malygin A.Ju. Risk assessment of highly reliable biometrics. 
Monograph. Almaty: KazNTU named after K.I. Satpayev, 2014. 108 p. (in Russ.). 
[5]
 
Akhmetov B.S., Volchihin V.I., Ivanov A.I., Malygin A.Ju. Algorithms of testing of biometric-neural network 
mechanisms of information protection of Kazakhstan. Almaty: KazNTU named after  K.I.  Satpayev,  2013.  152  p.                            
ISBN 978-101-228-586-4, http://portal.kazntu.kz/files/publicate/2014-01-04-11940.pdf (in Russ.). 
 
 
ПИРСОННЫҢ ЖЕКЕ КРИТЕРИЙЛЕР ЖЕЛІСІМЕН БИОМЕТРИЯЛЫҚ  
ДЕРЕКТЕРДІҢ КӨПӨЛШЕМДІ СТАТИСТИКАЛЫҚ ТАЛДАУ 
 
Б. Б. Ахметов
1
, А. И. Иванов
2
, А. В. Безяев
3
, Ю. В. Фунтикова
2 
 
1
Қ. А. Ясауи атындағы Халықаралық қазақ-түрік университеті, Түркістан, Қазақстан, 
2
Пенза ғылыми-зерттеу электротехникалық институты, Ресей,  
3
«НТЦ «Атлас» ФГУП Пенза филиалы, Ресей 
 
Тірек сөздер: көпөлшемді статистикалық талдау, Пирсонның жеке критерийлер желісі, есепті симмет-
ризациялау, корреляциялық байланыстардың əсерін есепке алу. 
Аннотация. Көпөлшемді статистикалық өңдеуді қолдануға өткен кезде аз тестілік таңдаулар кезінде өте 
жоғары  шынайлығы  бар  шешімдерді  алуға  болатыны  көрсетілген.  Корреляциялық  байланыстарын  шешу 
сапасына  алғашқы  биометриялық  деректердің  əсері  зерттелген.  Деректердің  корреляцияланғанының  өсуі 
жəне оларды өңдеу өлшемінің өсуі бір бірін шегеретіні дəлелденеді.  
 
Поступила 15.01.2015 г. 
 
 
 

Вестник Национальной академии наук Республики Казахстан  
 
 
   
12  
BULLETIN OF NATIONAL ACADEMY OF SCIENCES  
OF THE REPUBLIC OF KAZAKHSTAN 
ISSN 1991-3494 
Volume 1,  Number 353 (2015),  12 – 16 
 
 
RESEARCH OF OIL SLUDGE AND THEIR  
APPLICATION IN PRODUCTION
 
 
M. Zh. Almagambetova, G. Kh. Konyrbayeva  
 
West Kazakhstan Agrarian Technical University named after Zhangir Khan, Uralsk, Kazakhstan. 
Е-mail: maira0815@mail.ru; Gul_6767bk.ru 
 
Key words: oil sludge, fractional composition, asphaltenes, resins, X-ray fluorescence spectrometer. 
Abstract. The purpose of this study is to explore the possibility of the oil sludge as secondary raw materials. 
As per tasks 5 oil sludge samples of the oil fields of West Kazakhstan have been learned: Chinarev oil field 
(samples # 1,4,5); Mangyshlak oil fields(samples #2,3). Physical-chemical studying have been conducted on samples 
from these oil fields. 
During the studying filtration methods, chromatographic method were used, identification of the sulfur by the 
X-Supreme 8000 energydispersive X-ray fluorescence spectrometer, identification of the heavy metals by the atomic 
adsorption method with electro thermal atomization thru the AA-140 atomic-adsorption spectrometer, identification 
of the petrochemical’s by the fluorometric method by the using of the “Fluorometer-02” analyzer were done. 
The analysis of the results gives rise to the assumption, that oil sludge of the oil fields in West Kazakhstan 
could be considered as a fuel source, could be used in production of the construction and waterproofing materials, 
bitumen, expanded clay aggregate and allows to draw conclusions to select the best ways of recycling and usage. 
 
 
УДК 665.613.32  
 
ИССЛЕДОВАНИЕ НЕФТЕШЛАМОВ  
И ПРИМЕНЕНИЕ ИХ В ПРОИЗВОДСТВЕ
 
 
М. Ж. Алмагамбетова, Г. Х. Конырбаева  
 
Западно-Казахстанский аграрно-технический университет им. Жангир хана, Уральск, Казахстан 
 
Ключевые  слова:  нефтешламы,  фракционный  состав,  асфальтены,  смолы,  рентгено-флуоресцентный 
спектрометр. 
Аннотация.  В  статье  представлены  результаты  анализа  нефтяных  шламов  месторождений  западных 
регионов  Казахстана.  Исследованы  физико-химические  свойства  нефтяных  шламов,  что  позволяет  сделать 
выводы для выбора оптимальных путей их вторичной переработки и применения. 
 
Казахстан  обладает  мощным  нефтегазовым  потенциалом,  включающим  в  себя  большие 
объемы разведанных запасов и еще более значительные прогнозные ресурсы углеводородов. 
Целью данного исследования является изучение возможностей применения нефтяного шлама 
в качестве вторичного сырья. 
Твердые  примеси,  присутствующие  в  перерабатываемых  и  вспомогательных  материалах  на 
заводах  химической,  нефтеперерабатывающей,  нефтехимической  промышленности,  нефтена-
ливных и нефтеперекачивающих станциях приводят к образованию такого распространенного вида 
отходов, как шламы. 
Нефтешламы  представляют  собой  многокомпонентные  устойчивые  агрегативные  физико-
химические системы, состоящие главным образом из нефтепродуктов, воды и минеральной части 
(песок, глина, окислы металлов и т.д.). Главной причиной образования резервуарных нефтешламов 

ISSN 1991-3494                                                                                                                                                № 1. 2015 
 
 
13 
является  физико-химическое  взаимодействие  нефтепродуктов  в  объеме  конкретного  нефтеприем-
ного устройства с влагой, кислородом воздуха и механическими примесями, а также с материалом 
стенок  резервуара.  В  результате  таких  процессов  происходит  частичное  окисление  исходных 
нефтепродуктов  с  образованием  смолоподобных  соединений  и  ржавление  стенок  резервуара. 
Попадание  в  объем  нефтепродукта  влаги  и  механических  загрязнений  приводит  к  образованию 
водно-масляных  эмульсий  и  минеральных  дисперсий.  Любой  шлам  образуется  в  результате 
взаимодействия с конкретной по своим условиям окружающей средой и в течение определенного 
промежутка  времени,  одинаковых  по  составу  и  физико-химическим  характеристикам  шламов  в 
природе не бывает [1]. 
Основное количество добываемой в Казахстане нефти приходится на западный регион. Здесь 
расположены такие крупные и богатые месторождения, как Кашаган, Тенгиз, Узень, Карачаганак и 
другие. 
В  соответствии  с  поставленными  задачами  были  исследованы 5 образцов  нефтешламов 
нефтяных  месторождений  западных  регионов  Казахстана:  Чинаревского (1,4,5-образцы);  Ман-
гышлакского (2,3-образцы).  
Чинаревское  нефтегазоконденсатное  месторождение – одно  из  крупных  месторождений 
Западно-Казахстанской  области,  открытое  в 1991 году.  Чинаревское  нефтегазоконденсатное 
месторождение  находится  в  Приуральном  районе,  в 80 км  к  северо-востоку  от  г.  Уральска.  По 
данным геологоразведки, запасы составляют 49 миллиардов кубических метров природного газа и 
35 миллионов тонн нефти. Оператором месторождения является казахстанская нефтяная компания 
Жайыкмунай. 
Каламкас – газонефтяное  месторождение  в  Мангистауской  области  Казахстана,  на  полу-
острове  Бузачи.  Относится  к  Северо-Бузачинской  нефтегазоносной  области.  Открыто  в 1976 г. 
Освоение  началось  в 1979 году.  Залежи  находятся  на  глубине 0,5-1,1 км.  Нефтегазоносность 
установлено нижнемеловыми и юрскими отложениями. Начальные дебиты нефти 26,4-62,1 м
3
/сут. 
Плотность нефти 902-914 кг/м
3
, содержание серы 0,1-0,3 %. Геологические запасы нефти – 500 млн т. 
В  настоящее  время  разработку  месторождения  ведёт  компания  ОАО  «Мангистаумунайгаз». 
Добыча нефти 2008 году составила 4,2 млн. тонн. 
Жетыбай – крупное  нефтегазоконденсатное  месторождение  в  Мангистауской  области  Казах-
стана, на полуострове Мангышлак. Относится к Южно-Мангыстауской нефтегазоносной области. 
Месторождение  Жетыбай  открыто  в 5 июля 1961 года  на  скважине  №6,  была  получено  первая 
Мангыстауская  нефть. Освоение началось  в 1969 году. Залежи на глубине 1,7-2,4 км. Начальный 
дебит скважин 2-130 т/сут. Плотность нефти 0,85-0,86 г/см
3
. Нефть Жетыбая легкая и средняя по 
плотности 830-870 кг/м
3
, смолистая 4,53-15,5%, высокопарафинистая 17,2-25%, малосернистая 0,2-
0,28%.  Содержание  асфальтенов колеблется от 0,9 до 3,4%. Месторождение находится  в  поздней 
стадии разработки.  
Для  увеличения  добычи  нефти  применяются  различные  технологии,  например,  ГРП, 
различные СКО и ЭКВ и т.д. Геологические запасы нефти составляют 345 млн. тонн, остаточные 
запасы  нефти  составляют 68 млн.  тонн.  В  настоящее  время  разработку  месторождения  ведет 
казахская  нефтяная  компания  ОАО  «Мангистаумунайгаз«  и  его  ПУ  Жетыбаймунайгаз.  Добыча 
нефти 2010 году составила 1,12 млн. тонн. 
Проведены исследования образцов указанных месторождений.  
Исследования физико-химических характеристик образцов включало определения:  

 
влажности (воды), % 

 
фракционного состава, мг/кг 

 
механических примесей, % 

 
зольности, % 

 
содержания ароматических углеводородов, % 

 
содержания асфальтенов и смол, % 

 
содержание серы, % 

 
содержания нефтепродуктов, мг/кг 

 
содержания тяжелых металлов, мг/кг 

Вестник Национальной академии наук Республики Казахстан  
 
 
   
14  
Все  аналитические  исследования  проводились  согласно  государственным  стандартам.  За 
результаты определений принимались среднеарифметические значения определений. 
Определения влажности (воды) нефтяного шлама проводились по ГОСТ 2477-65. Определение 
по методу Дина и Старка – это один из распространенных и точных методов определения содер-
жания  воды  в  нефти  и  нефтешламах.  Он  основан  на  выпаривании  воды  с  легким  азеотропным 
растворителем при нагревании нефти и нефтешламов [2]. 
Одним  из  важнейших  показателей  нефти  и  нефтяных  шламов  является  их  фракционный 
состав.  Определения  фракционного  состава  нефтешламов  проводились  по  ГОСТ 2477-99 с 
помощью аппарата атмосферной перегонки АРНС-2. В основе метода определения фракционного 
состава лежит дистилляция – тепловой процесс разделения сложной смеси углеводородов сырья на 
отдельные фракции с различными температурными интервалами кипения путем испарения сырья с 
последующей дробной конденсацией образовавшихся паров. 
Содержание  механических  примесей  в  нефтешламе  были  определены  по  ГОСТ 6370-83 
методом  фильтрования  смеси  образца  нефтешлама  с  легким  углеводородным  растворителем 
(бензин) с последующим взвешиванием высушенного на фильтре осадка [3]. 
Определения  зольности  проводились  по  ГОСТ 1461-75. Метод  основан  на  определение 
содержания  золы  в  дистиллятах,  остаточных  топливах,  нефтяных  парафинах  и  других  нефте-
продуктах.  
Определения  содержания  ароматических  углеводородов  весовым  методом  проводились  по 
ГОСТ 6994-54. Метод  основан  в  обработке  испытуемого  сырья  серной  кислотой  (концентриро-
ванная (моногидрат)) с  дальнейшим  вычисление  содержания  в  испытуемом  сырье  ароматических 
углеводородов в весовых процентах (А) по соответствующей формуле. 
Полученные результаты исследования приведены в таблице 1. 
 
Таблица 1 – Физико-химические показатели нефтешламов 
 
Показатели 
№1 
№2 
№3 
№4 
№5 
Влажность, % 
0,4 
6,05 
3,9 
0,3 
13 
Фракционный состав, мг/кг 68,22 
42,2 
66,7 
58,6 
56,4 
Механические примеси, % 
0,29 
22,70 
8,50 
10,7 
0,44 
Зольность, % 
15,3 
12 
70 
22,5 
18,7 
Ароматические углеводороды, % 
8,79 
– 
9,77 
10,14 
9,82 
 
Содержание асфальтенов и смол проводились классическим хроматографическим методом по 
ГОСТ 11858-66. Определение  осуществляет  в  два  этапа.  На  первом  этапе  производят  осаждение 
асфальтенов  в  среде  гептана,  на  втором  этапе  обессмоливают  деасфальтированную  часть  неф-
тяного  шлама  адсорбцией  смол  в  колонке  с  силикагелем.  Полученные  результаты  исследования 
представлены на рисунке 1. 
Из  рисунка  видно,  что  образец  №3  характеризуется  наименьшим  содержанием  смолисто-
асфальтеновых веществ. 
Также  в  рамках  исследования  определено  содержание  серы,  определение  проводили  с  по-
мощью  энергодисперсионного  рентгено-флуоресцентного  спектрометра  Х-Supreme 8000 (Oxford 
Instruments, Китай). 
Полученные результаты исследования представлены на рисунке 2.  
Результаты  показали  во  всех  образцах  незначительные  содержания  серы.  Наименьшим 
содержанием серы характеризуется проба №2. 
Определение ионов тяжелых металлов в водной вытяжке проводились атомно-адсорбционным 
методом  с  электротермической  атомизацией  с  использованием  атомно-адсорбционного  спек-
трометра «АА-140» [4]. Полученные результаты исследования приведены в таблице 2. 
 

жүктеу/скачать 3,22 Mb.

Достарыңызбен бөлісу: