基于煤岩反射光谱的识别技术研究

【摘要】：煤炭资源在我国的能源使用与消耗中占据主导地位。随着时代的发展,传统的人工开采已经不能满足现代开采的需要,机械化、智能化、无人化开采逐渐成为煤炭开采的趋势。开采过程中煤岩识别是核心技术,目前井下开采大多数还停留在人工识别的阶段,不满足智能化开采的需求。然而,无人化、智能化的煤岩识别一直是尚未解决的难题。利用遥感手段进行矿产资源探测式高光谱遥感最成功的方向之一,矿产资源由于其内部组分的差异具有不同的光谱曲线,利用高光谱遥感波段多而窄的特点,可以对矿产资源进行有效地分类识别。本文利用高光谱技术的特性,对煤岩光谱曲线进行分析得出差异性机理,并以此设计出煤岩识别算法模型。主要工作和研究成果如下:1.在淮南三大矿区采集了各类煤岩样本共43个,对煤岩固体状样品进行碾碎、过筛等处理制备成不同粒径粉末状试样,并对处理后不同粒径的粉末状试样采用固定式采集和调高式采集两种方法测量光谱曲线。选择具有代表性的15个典型煤岩样本进行工业分析和XRF元素分析,测得煤岩样品的物质成分含量。基于实测光谱数据和成分含量数据建立煤岩高光谱数据库,并使用python GUI设计了煤岩信息数据库查询系统,为煤岩光谱的分析与识别与实际工况下的应用提供了数据支撑。2.基于测量出的煤岩光谱数据,对光谱曲线进行包络线去除等预处理,增强光谱曲线的吸收特征。分析吸收谷特征的产生与物质成分含量的关系。其中,煤样在1000nm波段之前的吸收谷是由于金属阳离子发生电子吸收导致能级跃迁而产生的。1000nm波段后的吸收谷和H2O、-OH、CO32-基团弯曲伸缩振动产生的基频、倍频与合频有关。对煤的吸收特征进行参数化处理和成分含量进行相关性分析,结果表明,H2O分子、AL2O3和Fe2O3的含量和挥发分产率和煤吸收谷深度的产生呈强、中、弱的线性相关性。煤系岩石的吸收谷特征较煤样更明显,在可见光-短波近红外波段处受Fe2+、Fe3+等过渡性金属阳离子发生电子吸收而产生能级跃迁的影响,在长波近红外波段处产生的吸收谷特征是受H2O、-OH、CO32-基团弯曲伸缩振动产生的基频、倍频与合频的影响。煤岩具有整体波形和吸收谷特征两个角度的差异性。从波形的角度,煤系岩石的整体反射率总体上要高于煤,且具有上凸的波形特征;煤的整体波形较为平缓,呈缓慢上升趋势。从吸收谷特征的角度,煤系岩石的吸收谷特征更明显,尤其在中长波近红外的1400nm、1900nm、2209nm、2300nm 四个波段。3.选取四种代表性煤岩作为研究对象,以探测距离和煤岩粒径作为自变量,在固定光源入射角度、探测角度的情况下设计9个探测距离和5个样本粒径来进行实验来研究探测条件对煤岩反射光谱的影响。实验结果表明,煤岩样本随探测距离的增加反射率呈二次多项式函数的下降,反射率与距离具有很强的相关性,在某些特定波段会出现反常。随着煤岩粒径的增加,煤岩光谱曲线整体反射率呈现减小的趋势,煤样分别在0.25mm-0.5mm和0.15mm-0.25mm间特征点反射率均出现“跳水”式下降,岩样分别在0.15mm-0.25mm和1mm-2mm间特征点反射率同样都出现了“跳水”式下降。根据实验结果,最终选取10cm探测距离和1mm样本粒径作为外界探测条件来构建煤岩识别算法。4.将43个样本按训练集和测试集0.7的比例划分,从特征波段提取、全波段反射率特征和光谱曲线形态特征三个角度出发分别设计煤岩识别的算法模型,并采用准确率、Kappa系数和F1-Score三个标准评价模型的优劣。其中,基于特征波段提取SPA-SVM模型在测试集上识别率为84.6%,Kappa系数为0.69,F1-Score为0.83;基于全波段反射率特征的1D-CNN模型在测试集上识别率为100%,Kappa系数和F1-Score均为1;基于光谱形态特征SCA-SID模型在测试集上识别率为92.3%,Kappa系数为0.85,F1-Score为0.92。对比三种煤岩识别算法模型,从模型的复杂度和易行性上来说,SCA-SID模型实用性更好,更适合实际工况下的应用。图[46]表[11]参[80]