图1为粉尘环境下近红外光谱采集装置。 采用内部空间为1 500 mm× 500 mm× 600 mm密封箱形成密闭粉尘环境, 根据设定的粉尘浓度投入定量粉尘颗粒。 采用SL-DC05型无极变速鼓风机使粉尘处于分布均匀的悬浮状态。 煤岩样品和光源分别位于密封箱两侧, 距离为150 cm。 为减小气溶胶消光系数对光源的影响, 使用惊鸿2 000 W透射式影视聚光灯作为光源, 用林上科技的LS122A红外辐射计测量光源辐射能量。 使用荷兰AvaSpec-NIR512近红外光纤光谱仪进行数据采集, 设置光谱范围为1 000~2 500 nm, 采集间隔为3 nm; 使用直径为3.5 cm的准直镜为信号的采集装置, 准直镜连接Y形光纤, 一端连接光谱仪, 另一端接入650 nm激光光源作为指示光源, 以便于能对准待测样本, 为避免粉尘对准直镜的污染, 在准直镜镜头处加装JGS3石英玻璃, 把准直镜固定于密封箱体上, 准直镜的镜头直径为2.5 cm, 视场角为0.1° , 准直镜与样本的探测距离保持150 cm, 所以光谱仪在样本上的探测区域的直径为2.76 cm, 面积大约为6 cm²。 在每组实验前用15 cm× 15 cm材料为PTFE的标准白板在150 cm箱体内对光源进行白校正。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 粉尘-近红外光谱实验装置Fig.1 Dust-near infrared spectroscopy experimental device

文献[3]通过对比尔定律变形, 得到了浓度c(单位mg· m^-3)、 吸收物质的厚度L(单位为m); 消光系数k、 I和I₀分别为出射光光强和入射光光强(单位为mW· cm^-2); 参量之间的关系式

I=I0e-kcL(1)

同时还指出粉尘的消光系数与粉尘的密度、 粉尘的中粒径成反比关系

k=αρd50(2)

式(2)中, α 为实验常数, 由实验获得; ρ 为粉尘密度; d₅₀为粉尘中粒径。 由上述两式可知在粉尘密度ρ 、 吸收物质的厚度L和中粒径d₅₀一定的情况下, 粉尘浓度越大, 试样所反射的光强I₀被粉尘吸收的越大, 为了保证准直镜所接收到的反射光强I只受到粉尘消光系数的单次影响, 在加入粉尘后, 用鼓风机吹拂粉尘2 min, 使箱体内粉尘浓度均匀, 用红外辐射计从鼓风机风道处测试光源强度, 通过调整光源的发光强度, 保证测到的辐照度约为1 200 W· m^-2, 光照度约为20 000 Lux。

根据文献[4]对综采工作面粉尘浓度的测定, 综采工作面的全尘的浓度和粒度为300~600 mg· m^-3, 中粒径为22.23 μ m。 在没有降尘措施的情况下, 井下粉尘的浓度可达3 000 mg· m^-3。 为模拟煤矿综采工作面环境粉尘情况, 设置粉尘浓度分别为600, 1 000, 1 500和3 000 mg· m^-3。 通过控制注入密封箱体内的粉尘质量实现粉尘浓度设置, 颗粒质量与粉尘浓度的计算式为

c=1000×MV(3)

式(3)中, M为注入粉尘的质量, 单位g; V为箱体体积, 单位m³; c为粉尘的浓度, 单位mg· m^-3。 试验装置密闭箱体的体积为0.48 m³, 由式(3)获得不同粉尘浓度下粉尘注入量, 列于表1。

表1

Table 1

表1(Table 1)

表1 实验粉尘注入量 Table 1 Experimental dust injection 粉尘浓度/(mg· m-3) 粉尘注入量/g 600 0.28 1 000 0.48 1 500 0.72 3 000 1.44

表1 实验粉尘注入量 Table 1 Experimental dust injection

由于该实验中采用了大功率卤素灯来保持实验的光辐照度, 为保证煤粉不发生燃爆, 选用挥发分质量最低的无烟煤煤粉和抑爆剂碱式碳酸镁按9:1混合作为实验粉尘^[5]。 为保证实验用粉尘符合实验要求, 把实验用粉尘通过800目标准筛, 保证实验粉尘的中粒径在22 μ m以下。

从全国各地收集了常见的无烟煤、 烟煤、 褐煤三个大类的12个典型煤样以及常见的页岩、 砂岩、 灰岩三大类沉积岩的11种典型煤系岩样, 为了保证实验更接近于采掘现场, 实验样本采用现场原位样本, 并用密封袋保存, 各个样本的编号、 类别、 来源如表2所示。

表2

Table 2

表2(Table 2)

表2 实验样本表 Table 2 Experimental samples table 样本编号 样本类型 样本类别 产地及煤矿 1 无烟煤 无烟煤1号 宁夏汝其沟煤矿 2 无烟煤 无烟煤2号 山西新景煤矿 3 烟煤 贫煤 山东东风煤矿 4 烟煤 贫瘦煤 山东东风煤矿 5 烟煤 瘦煤 山东埠村煤矿 6 烟煤 焦煤 山西马兰煤矿 7 烟煤 肥煤 山东曹庄煤矿 8 烟煤 1/3焦煤 山东八一煤矿 9 烟煤 气肥煤 山东茅庄煤矿 10 烟煤 气煤 山东兴隆庄煤矿 11 褐煤 褐煤1号 山东五图煤矿 12 褐煤 褐煤2号 吉林舒兰煤矿 13 页岩 碳质页岩 山西马兰煤矿 14 页岩 黑色页岩1号 山西马兰煤矿 15 页岩 黑色页岩2号 山西新景煤矿 16 页岩 沙质页岩1号 山东东风煤矿 17 页岩 沙质页岩2号 山东兴隆庄煤矿 18 砂岩 中粒砂岩 山东东风煤矿 19 砂岩 细砂岩 山东东风煤矿 20 砂岩 粉砂岩1号 山西马兰煤矿 21 砂岩 粉砂岩2号 山东兴隆庄煤矿 22 灰岩 泥质灰岩1号 山东兴隆庄煤矿 23 灰岩 泥质灰岩2号 山东兴隆庄煤矿

表2 实验样本表 Table 2 Experimental samples table

从近红外反射光谱可以分析了解在晶体场作用下由于离子能级的跃迁引起的吸收特征变化, 而这些吸收谷含有丰富的物质成分信息, 是物质鉴别的关键所在。

由图2可知, 典型煤系岩石主要在1 400, 1 900和2 200 nm出现特征吸收谷, 其中, 1 400 nm波长的吸收谷主要是由矿物中结构水的OH^-引起的, 1 900 nm波长处的吸收谷主要是由石英包体水(乳石英)和样本的吸附水引起的, 2 200 nm波长处的吸收谷主要是由钠长石、 高岭石中Al— OH引起的; 由于典型高煤阶煤样无烟煤、 烟煤含有大量的不透明碳质物质, 这些不透明碳质物质遮蔽结构水、 石英包体水、 Al— OH在1 400, 1 900和2 200 nm波长处的吸收谷特征, 所以高阶煤煤样在全近红外波段上无明显的吸收特征, 而低阶煤褐煤中, 由于灰分产率最高, 其性状接近矸石, 所以在褐煤类样本中出现了明显的吸收特征^[6]。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 23个煤岩试样的光谱曲线 (a): 11个典型煤系岩石试样光谱曲线; (b): 12个典型煤试样光谱曲线Fig.2 Spectra of 23 coal and rock samples (a): 11 typical coal measures samples(b): 12 typical coal samples

从试样表23个试样中从每个样本类型中随机取出1个样本作为测试试样, 其中煤样3个, 岩样3个, 把23个试样的光谱曲线作为标准光谱数据库。

把表2中的样本分别在前述粉尘浓度下进行近红外光谱的采集, 通过图3和图4对比可知, 粉尘的加入导致波长1 000~1 200 nm与波长2 400~2 500 nm的光谱出现异常波动, 光谱信噪比降低, 其产生的原因为卤钨光源的辐照度曲线为凸型, 其最大辐照度所处的波长为1 400 nm, 所以前述两波段的光能量较小, 受粉尘消光系数影响大, 使得光谱信噪比降低。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 典型煤样本不同粉尘浓度的近红外光谱 (a): 样本2无烟煤2号; (b): 样本10气煤; (c)样本12褐煤2号Fig.3 Near-infrared spectroscopy of different dust concentrations in typical coal samples (a): Sample 2, anthracite No.2; (b): Sample 10, gas coal; (c): Sample 12, lignite coal

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 典型煤系岩石样本不同粉尘浓度的近红外光谱 (a): 样本17砂质页岩2号; (b): 样本20粉砂岩1号; (c): 样本23泥质灰岩2号Fig.4 Near-infrared spectra of different dust concentrations in typical rock samples (a): Sample 17, sandy shale No.2; (b): Sample 20, siltstone No.1; (c): Sample 23, argillaceous limestone No.2

由图3可知, 在煤样本中, 煤的反射率偏低, 由于样本2无烟煤2号与样本10气煤为高阶煤, 灰分产率较低, 其基质(主要是C, H和O元素组成的有机物)和固定碳含量较多, 试样中含有的不透明碳质物质较多, 所以光谱较为平滑没有明显的吸收谷, 其光谱反射率较小并趋于水平; 由于样本12褐煤2号为低阶煤, 灰分产率较高, 试样中的不透明物质较低, 所以石英胞体水的振动以及有机物分子团的振动在1 900和2 300 nm附近有明显的吸收谷, 由于粉尘主要物质为无烟煤, 随着粉尘浓度的增加, 无烟煤中不透明物质增多, 遮蔽作用使得褐煤2号特征吸收谷减弱。

由图4可知, 在岩石样本中样本17砂质页岩2号分别在1 400, 1 900和2 200 nm有特征吸收谷, 1 400 nm主要由石英胞体水产生, 样本中1 400 nm吸收谷主要由黏土矿物多硅白云母、 高岭石中的OH^-振动产生, 1 900 nm的吸收谷主要为吸附水产生, 2 200 nm的吸收谷主要由钠长石中Al— OH的振动产生, 随着粉尘浓度的增加, 1 400, 1 900和2 200 nm的特征吸收谷减小; 样本20粉砂岩1号分别在1 400, 1 900, 2 200和2 350 nm有明显的特征吸收谷, 其2 200 nm的吸收谷主要由钠长石中Al— OH的振动产生, 影响1 400, 1 900, 2 350 nm吸收峰的主要是高岭石、 石英胞体水和方解石, 但高岭石、 石英胞体水含量较小, 随着粉尘的增加使得粉尘对1 400, 1 900和2 200 nm的特征吸收谷减小; 样本23泥质灰岩2号在2 350 nm有明显的吸收谷, 这是由白云石中 CO32-的振动产生, 空气中的H₂O吸附使样本1 900 nm出现吸收谷, 随粉尘浓度增加, 泥质灰岩2号的特征吸收谷减弱。

综上, 随着粉尘浓度的增加, 粉尘中的无烟煤的不透明物质含量增加, 使得实验样本的特征吸收谷减弱。

为了评价不同浓度的粉尘对光谱的影响, 对所选取的实验样本按不同的粉尘浓度的数据与该样本的标准样本库数据进行相似系数的求解, 相似系数越大说明粉尘对煤岩近红外反射光谱曲线的影响越小。 光谱相似系数通常用光谱角度匹配

(1)光谱角度匹配(SAM)

cosθ=∑k=1nxikyik∑k=1nxik2∑k=1nyik2(1)

式(1)中, x_ik表示实验样本中第i个样本的第k个波长的反射率; y_ik为第i个样本的第k个波长在标准样本库中的样本数据; cosθ 是实验样本数据与标准样本库数据广义夹角余弦, cosθ 越大光谱数据的相似程度越大。

图5为实验样本在不同浓度下所采集的近红外反射光谱数据与标准样本库数据的夹角余弦, 由图5可知, 煤样本和岩样本在不同粉尘浓度下所采集的曲线和标准光谱库中的曲线的余弦夹角均处于0.9以上, 有着较大的匹配度; 其中, 煤类样本中, 褐煤类样本12和褐煤2号的光谱曲线对粉尘浓度的变化较为敏感, 由于样本12在粉尘浓度3 000 mg· m^-3下新增了一个波长为2 200 nm较大的吸收谷, 导致光谱匹配度下降; 其余样本在各个粉尘浓度下没有出现新的较大吸收谷, 所以测试样本与样本库中样本的余弦夹角值接近1, 其光谱曲线高度匹配。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 实验样本与标准样本库的夹角余弦Fig.5 Angle cosine between experimental samples and standard samples

(2)皮尔逊相关系数

rxy=∑k=1n(xik-x̅i)(yk-y̅)∑k=1n(xik-x̅i)2∑k=1n(yk-y̅)2(2)

式(2)中, n为样本数量; x_ik, y_k为波长k的光谱数据; x_i为第i个实验样本的数据; y为标准样本库中的样本数据; x̅i, y̅为第i个实验样本和该样本的标注数据的所有光谱数据均值。 r_xy为第i个实验样本数据与标准数据的相关系数; r_xy越大, 所测的两条光谱曲线的相似程度越高。

图6为实验样本在不同浓度的条件下所采集的近红外光谱数据与标准样本库数据的皮尔逊相关系数。 对比图5、 图6可看出, 相比于光谱角度匹配法(SAM)来说, 由于该算法与光谱数据中的均值有关, 所以不仅新增较大的吸收谷对相关系数结果有影响, 而且不同浓度下反射率的变化结果也较为敏感。 煤类样本中, 由于无烟煤类样本2号为高阶煤样, 反射率最低, 所以在粉尘加入后使得光谱曲线在2 200 nm剧烈震荡, 导致相关系数降低; 烟煤类样本10的反射率变化较低, 且无明显吸收谷的产生, 所有相关系数均保持在0.7以上, 浓度对其影响较小; 褐煤类样本12和褐煤2号由于反射率的变化较大, 光谱曲线的斜率由负变为了正, 所以导致相关系数偏低; 岩类样本中, 除灰岩类样本23在600 mg· m^-3相关系数为0.4外, 由于样本为灰白色, 反射率较高, 信噪比比煤类样本高, 所以均有着相比煤类样本有着较大的相关系数; 通过计算各个实验样本的平均相关系数, 各个样本浓度的平均相关系数为 0.72。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 实验样本与标准样本库的相关系数Fig.6 Correlation between experimental samples and standard samples

由于光谱采集过程受仪器性能和粉尘的影响, 导致大部分试样的光谱在1 000~1 200和2 400~2 500 nm出现极大的噪声, 为提高数据的信噪比, 舍去各个浓度的样本1 000~1 200和2 400~2 500 nm的光谱数据并进行光谱预处理。

采用Savitzky-Golay平滑算法对数据进行去噪平滑。 Savitzky-Golay卷积平滑算法具体如式(3)

xi, λ* =∑j=-rrxi, jnj∑j=-rrnj(3)

式(3)中, x_{i, λ} 为波长为λ 点的光谱数据; n为滤波窗口宽度, 取n=2r+1; xi, λ*为Savitzky-Golay卷积平滑后的数据。 在建立标准光谱数据库时, 首先运用该算法对1 200~2 400 nm的光谱数据进行去噪处理, 滤波窗口为3。

为了校正因光谱散射引起的光谱差异, 消除基线漂移, 使用SNV算法对光谱数据库进行进一步处理, SNV算法为

Xi, SNV=Xi, k-X̅i∑k=1m(Xi, k-X̅i)2Si(4)

X̅i=1m∑k=1mXi, k(5)

式中X_{i, λ} 为第i个样本在k个波长点的光谱吸光度; m为光谱的维数; X_{i, SNV}为经校正后的光谱吸光度如图7所示。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 SG+SNV处理后的标准光谱库 (a): 典型煤系岩石样本数据库; (b): 典型煤样本数据库Fig.7 Processed standard spectral database by SG+SNV (a): Typical coal measures samples; (b): Typical coal samples

采用SG去噪和SNV预处理后的各个浓度的典型煤岩样本数据和经同样算法处理后的标准样本库进行SAM光谱角度匹配及皮尔逊相关系数的求解, 如图8所示, 其中由于SAM光谱角度在未经预处理就有极高的光谱匹配度, 所以在经过SG+SNV预处理后, 各个粉尘浓度下的典型煤岩光谱曲线与标准光谱数据库匹配程度变化不大, 除17号样本外匹配度均在0.9以上, 17号样本砂质页岩预处理后出现异常降低, 可能是因为17号样本的光谱数据特征吸收谷吸收较低, 经去噪处理后吸收谷消失; 对比图6与图9可知, 样本12褐煤2号相关性较低, 主要原因为样本12的信号强度在是所有信号里最低的[由图2(b)图7(b)可知], 经SNV算法后, 光谱曲线产生较大偏差, 所以只采用经过SG预处理算法的样本12实验光谱曲线与标准光谱曲线进行相关系数的计算, 在600, 1 000, 1 500和3 000 mg· m^-3粉尘环境下的相关系数分别为: 0.492, 0.837 7, 0.605 9和0.157 6每个粉尘浓度的相关系数相比于未经预处理的均有上涨; 除样本12以外, 其余所有样本和标准样本库的样本经SG+SNV预处理后光谱相关系数都显著增加, 平均相关系数为0.78, 平均提升0.13, 样本2无烟煤2号样本相关系数提升76.3%。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 实验样本与标准样本库的夹角余弦Fig.8 Angle cosine between experiment samples and standard samples

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 实验样本与标准样本库的相关系数Fig.9 Correlation coefficient between experimental samples and standard samples

以光谱角度匹配(SAM)和皮尔逊相关系数算法为基础, 对不同浓度条件下的实验样本进行聚类分析。 根据前述23个煤岩样本的煤岩特征, 把样本库分为煤样12个, 岩样11个, 二值化煤岩样本, 把煤样本设为“ 0” , 岩样本设为“ 1” ; 选择SG+SNV预处理后的样本数据库为标准数据库, 并把数据库中的样本以实样样本的方式进行二值化处理, 取前述随机选取的不同浓度的实验样本作为煤岩类型的测试样本, 并对其进行实验编号如表3所示。

表3

Table 3

表3(Table 3)

表3 煤岩聚类分析样本表 Table 3 Sample table for coal rock cluster analysis 样本类型 样本序号 实验浓度/(mg· m-3) 样本2 无烟煤2号 1 600 2 1 000 3 1 500 4 3 000 样本10 气煤 5 600 6 1 000 7 1 500 8 3 000 样本12 褐煤2号 9 600 10 1 000 11 1 500 12 3 000 样本17 砂质页岩2号 13 600 14 1 000 15 1 500 16 3 000 样本20 粉砂岩1号 17 600 18 1 000 19 1 500 20 3 000 样本23 泥质灰岩2号 21 600 22 1 000 23 1 500 24 3 000

表3 煤岩聚类分析样本表 Table 3 Sample table for coal rock cluster analysis

分别计算各个不同浓度的实验样本的光谱数据与每个标准样本库数据的余弦夹角与相关系数, 对标准样本库的遍历, 把实验样本数据与标准样本库数据的余弦夹角和相关系数大小最大的归为同一类进行定性分析, 两种识别模型的识别结果如图10所示。

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 两种识别模型对实验样本的煤岩识别结果 (a): 光谱角度匹配SAM; (b): 皮尔逊相关系数Fig.10 Coal and rock identification results of experimental samples by two recognition models (a): Spectral angle matching (SAM); (b): Pearson correlation coefficient

由图9和10(b)可知, 样本2在1 000及3 000 mg· m^-3粉尘条件和具有高相关系数情况下均出现了错误识别, 其主要的原因为: 皮尔逊相关系数对波形相似、 特别是纵坐标相差很小的两个样本曲线会出现较大误差, 由于样本14黑色页岩含碳量较高, 样本2在经过SG+SNV预处理后其波形与数据库中的样本14黑色页岩1号相近, 通过相关系数算法识别模型求解导致实验样本的错误识别。

采用识别时间(T)以及识别精度(P)对两种识别模型进行评价。 光谱角度匹配SAM和皮尔逊相关系数对24个测试样本的煤岩类型判定时间(T)为Matlab识别程序运行时间, 识别精度(P)的计算方法如式(6)

P=N24×100%(6)

式(6)中, N为测试样本的样本类型被正确识别的个数, P为识别算法的识别精度。

由表4可知, 两种不同识别算法识别精度均达到87%以上, 相比于皮尔逊相关系数, 光谱角度匹配有着更高的识别效率和识别准确度, 所以光谱角度匹配SAM的方法对不同浓度的试样的煤岩定性识别更为精确。

表4

Table 4

表4(Table 4)

表4 两种识别模型的煤岩识别结果 Table 4 Coal and rock identification results of two models 识别算法 T/ms P/% 光谱角度匹配 8 100 相关系数 852 87.5

表4 两种识别模型的煤岩识别结果 Table 4 Coal and rock identification results of two models