基于反射光譜的煤巖感知實驗研究

楊 恩，王世博，葛世榮，向 陽

(中國礦業大學 機電工程學院，江蘇 徐州 221116)

由于煤炭形成沉積過程的影響，煤層頂板與煤層交界處多為富含碳質物質的碳質頁巖或黑色頁巖[1-2]，常使得頂板巖石外觀顏色上呈現出類似于相鄰煤層煤炭的黑色[3-4]。由于黑色的頂板巖石與煤層煤炭外觀色澤相近，在采煤機滾筒截割煤層的工作過程中，往往難以準確區分煤炭與周圍巖石，導致煤巖界面處黑色的巖石被滾筒同時截割下落混入煤中，此現象是導致開采煤炭中矸石增多的主要因素之一，也是無人化開采煤巖識別研究中需要解決的主要問題[5-7]。因此研究能夠準確區分煤炭和黑色頂板巖石的方法至關重要。中國國家標準GB/T 5751《中國煤炭分類》和國際標準ISO 11760 Classification of coals對煤炭給出了相同的定義標準，即煤炭是主要由植物遺體經煤化作用轉化而成的富含碳的固體可燃有機沉積巖，含有一定量的礦物質，其灰分產率小于或等于50%。據此，如果能夠準確、快速地得到原位固體煤炭與周圍黑色巖石的灰分產率，即可判定煤巖類型，進而控制采煤機滾筒的截割位置。

近紅外反射光譜技術是一種高信噪比、實時、低廉、針對原位物質的光譜分析技術，不僅在煤礦和巖礦遙感等定性識別探測領域得到了應用[8-11]，而且已在煤炭、礦物、土壤等成分定量分析檢測領域中得到了較多應用[12-14]，其中灰分產率分析是基于近紅外反射吸收光譜的煤質成分定量分析研究中的主要內容，已有國內外眾多學者建立了多種基于近紅外反射吸收光譜的煤炭灰分產率預測方法。ANDRES等[15-16]基于主成分分析法(PCA)和偏最小二乘法(PLS)建立了煤炭灰分指標與其近紅外光譜之間的定量數學關系模型，此模型對未知煤樣灰分具有較高的預測精度和較快的預測速度。KIM等[17]在煤炭的近紅外光譜中選擇了1 680,1 942,2 100,2 180,2 300 nm等信息含量最高的波長點，建立了灰分的多元回歸分析(MRA)預測模型，在煤炭灰分的在線分析中取得了有效的結果。趙凱等[18]采用主成分分析、自組織映射神經網絡-模糊C均值聚類(SOM-FCM)雙層聚類方法有效地優化煤炭樣本，降低了煤炭近紅外光譜數據維數，并搭建了基于GA-BP神經網絡的煤炭灰分預測模型，有效提高了模型學習精度。雷萌[19]針對基于機器學習的煤炭灰分近紅外光譜分析，研究了多種提高建模光譜數據質量和預測模型性能的學習算法。基于近紅外反射吸收光譜分析的煤炭灰分預測的研究為煤礦井下煤巖灰分產率的原位獲取提供了啟示。

然而以上文獻中的各種煤炭灰分預測模型，在煤炭光譜采集時，大部分試樣為粉碎后的均質粉末試樣，并且近紅外光譜儀光纖探頭均為靠近粉末試樣獲取煤炭光譜。在常見煤礦井下現場工作面煤壁、原位煤炭和頂板巖石均為塊狀試樣，同時采煤機機身離煤層頂端較遠，頂板與煤層交界巖石離采煤機機身距離常見為1.5～3.0 m，鮮有相關文獻對于實時獲取原位塊狀煤炭和頂板黑色巖石灰分產率的研究。然而地物反射光譜成分定量探測和定量遙感已取得了長足的發展[20-21]，也為煤礦井下煤巖灰分等成分定量探測提供了參考和思路。獲取原位煤巖的反射光譜并研究煤巖感知識別方法，為降低含矸量、煤巖識別等研究提供依據。

筆者收集了同一井下綜采工作面的碳質頁巖和煙煤塊狀試樣75個，在實驗室利用近紅外光譜儀和光纖準直鏡采集了距離塊狀煤巖試樣表面3 m處的近紅外波段(1 000～2 500 nm)反射光譜。基于煤巖灰分產率及其反射光譜建立了兩類支持向量機(SVM)煤巖預測模型。

1 煤巖試樣及其反射光譜采集

從山西馬蘭煤礦同一井下綜采工作面現場收集了頂板與煤層交界處的碳質頁巖以及煙煤大塊狀試樣75個，試樣收集后放入自封袋保存，其中煤樣42個，巖樣33個，試樣外觀均呈黑色，較為相似。

如圖1所示，在實驗室采集每塊試樣較平整表面的反射光譜。為減小被測煤巖物質雙向反射特性的影響[20,22-23]，使用4個50 W鹵鎢聚光燈按上下左右90°間隔排列，均以45°入射角照射所選平整表面中心，形成直徑約10 cm，光照度約20 000 lux的圓形光斑。使用荷蘭Avantes AvaSpec近紅外光譜儀進行光譜采集，其光譜波長為1 000～2 500 nm，光譜分辨率為8.9 nm，采集每條光譜曲線耗時約為1 ms，同時采用PTFE材料白板進行反射參照標定。使用直徑2.5 cm準直鏡進行光束準直，準直鏡連接于Y型石英光纖合并端，分支端的一端連接光譜儀進行光譜采集，另一端連接650 nm激光光源以進行目標試樣對準。準直鏡固定于三維旋轉臺以進行探測目標對準調節，調節旋轉臺保持準直鏡軸線垂直對準試樣表面的光斑中心，準直鏡與光斑中心保持距離l=3 m。準直鏡視場角(FOV)θ=0.12°，鏡頭直徑d=2.5 cm，如圖1(b)的實驗原理示意所示，光譜儀所采集光譜為準直鏡視場角所形成圓臺在試樣表面底面圓區域的平均反射光譜，底面圓的直徑D、面積A分別約為

(1)

(2)

計算機通過USB3.0與光譜儀連接，實時顯示并可同時采集反射光譜曲線。每個試樣的探測區域共采集10條反射光譜曲線，進行斷點修正和去噪，然后計算其均值作為該試樣表面的反射光譜。

圖1 塊狀煤巖試樣反射光譜采集實驗Fig.1 Reflectance spectra acquisition experiment of block coal or rock sample

在每塊試樣進行反射光譜采集時，標記光譜采集表面的7.5 cm2圓形區域。在所有試樣完成反射光譜采集后，將每塊試樣的圓形光譜采集區域打磨下表面至0.5 cm深度內的試樣，碾成粉末，將粉末放至灰化馬弗爐進行灰分產率分析，獲得每塊試樣反射光譜采集區域的灰分產率。

2 煤巖灰分產率與其反射光譜關系

2.1 煤巖光譜反射率曲線

為有效去除由于儀器性能以及環境等因素影響所產生的光譜曲線噪聲，筆者采用Savitzky-Golay(SG)卷積平滑算法對實驗采集光譜數據進行濾波去噪處理[24-25]，其核心求解算法為

(3)

圖2為75個塊狀煤巖試樣表面在近紅外波段(1 000～2 500 nm)的經斷點修正、濾波去噪、取均值后的光譜反射率曲線。受黏土礦物、石英等礦物影響，反射光譜曲線在近紅外波段明顯地表現出水平至正向斜率傾斜的整體變化趨勢[4]，小部分試樣光譜曲線受原位試樣中水分影響，1 400和1 900 nm波段附近出現吸收特征。由圖2可以看出一大部分煤巖試樣的反射光譜波形相似并且重疊交叉，從波形難以有效區分。

圖2 75個煤巖試樣的光譜反射率曲線Fig.2 Reflectance spectra curves of 75 coal and rock samples

為了研究能夠根據原位塊狀煤巖的反射光譜有效區分煤巖的方法并建立識別模型，從75條試樣光譜曲線中隨機選擇50條為訓練樣本，其中煤樣28個，巖樣22個，其余25條光譜曲線為測試樣本，其中煤樣14個，巖樣11個。

2.2 煤巖反射光譜預處理

為有效增強光譜反射吸收特征強度，利用一階微分(FD)、二階微分(SD)、連續統去除(CR)、標準正態變量變換(SNV)4種方法預處理圖2中所有75條煤巖反射光譜曲線[14,24]。4種預處理方法的核心求解算法如下:

(1)一階微分

(4)

其中，xi,λ+Δλ1，xi,λ-Δλ1為光譜向量xi,λ中的元素，即編號為i的樣本在波長λ+Δλ1，λ-Δλ1處的光譜值;Δλ1為一階微分的波長間隔;x′i,λ為波長點λ的一階微分光譜反射率。本文選擇Δλ=3 nm。

(2)二階微分

(5)

其中，x′i,λ+Δλ2，x′i,λ-Δλ2分別指編號為i的樣本在波長λ+Δλ2，λ-Δλ2處的光譜值(光譜反射率)對波長的一階微分;Δλ2為二階微分的波長間隔;x″i,λ為波長點λ的二階微分光譜反射率。

(3)連續統去除

(6)

其中，xi,λ為光譜向量xi,λ中的元素，即編號為i的樣本在波長λ處的光譜值;zi,λ為波長點λ的包絡線值;cri,λ為波長點λ的連續統去除光譜反射率。

(4)標準正態變量變換

(7)

xi,λ,A=-lgxi,λ

(8)

(9)

結合文獻[4]，為了進行光譜預處理分析說明，在圖2中選擇了灰分產率在50%附近的5個煤樣和5個巖樣的光譜曲線為代表，如圖3所示，其中，煤1～煤5的灰分產率分別為39%,40%,48%,41%,43%，巖1～巖5的灰分產率分別為60%,57%,59%,52%,53%。由圖3可知，這10條反射光譜曲線的整體輪廓波形較為相似。圖4分別為此10條反射光譜曲線經一階微分、二階微分、連續統去除、標準正態變量變換預處理后的光譜曲線。由圖4可知，經4種算法預處理后，光譜曲線整體波形發生變化，反射吸收特征有所增強，但各個試樣的光譜曲線依舊波形趨勢相似并且重疊交叉，難以有效區分。然而，因物質光譜的反射吸收特征是其物質成分的“指紋”，含有豐富的物質成分信息，反射吸收特征的增強更利于煤巖光譜與其物質成分關系的研究。

圖3 代表性煤巖試樣的光譜反射率曲線Fig.3 Spectral reflectance curves of representative coal and rock samples

圖4 代表性煤巖試樣光譜反射率曲線經4種方法預處理后的光譜曲線Fig.4 Spectral curves of representative coal and rock samples whose spectral reflectance curves had been preprocessed by four methods

2.3 煤巖灰分產率與其反射光譜的相關性

煤巖灰分主要來源于其黏土礦物、石英等礦物成分，礦物和有機物成分影響其反射光譜吸收特征，物質成分含量與光譜值的相關性分析是一種有效的獲取特征波長點的方法[24,26]。為此選取前述50個訓練樣本，對其灰分產率與去噪后反射光譜以及前述4種算法預處理后光譜各波長點處的光譜值進行相關性分析，其中波長λ處的相關系數rλ為

(10)

式中,X′i,λ為波長λ處的光譜值;yi為第i個樣本的灰分產率。

此50個煤巖樣本的灰分產率與去噪后反射光譜以及4種算法預處理后光譜在各波長點處的相關系數如圖5所示，圖中同時標出了每種相關系數曲線的最大值。由圖5可知，連續統去除預處理方法的最大相關系數出現在波長1 698 nm處，為0.777，大于其他4種相關系數曲線的最大值，其中二階微分預處理方法的最大相關系數最小。對連續統去除1 698 nm處進行線性、指數、冪函數回歸分析，如圖6所示。

由圖6中的各類回歸方法可知，灰分產率回歸分析的決定系數均較低，因此常見線性和非線性回歸函數均不能有效進行灰分預測。然而，連續統去除預處理方法最大相關系數波長點1 698 nm位于1 700 nm光譜帶附近，1 700 nm為煤巖中主要有機基團倍頻和合頻的典型譜帶[27]，如芳香結構中C—H伸縮振動3 030 cm-1與脂肪側鏈中CH2對稱伸縮振動2 850 cm-1的合頻[28]。本實驗煤巖主要有機成分為芳香環狀結構化合物、脂肪側鏈結構化合物[29-30]，煤巖灰分產率間接取決于這些主要有機成分的含量，與此同時，連續統去除預處理方法1 698 nm波長點附近左右區間相關系數曲線連續，為最大相關系數曲線段，因此考慮采用1 698 nm波長點附近左右區間連續統去除光譜建立原位煤巖灰分產率預測模型。本文選取的連續統去除光譜波長點區間為1 693～1 703 nm，所含波長點對應相關系數見表1。

3 基于反射光譜的煤巖預測模型

3.1 煤巖預測模型的建立

根據前述對50個煤巖樣本主要有機成分的特征譜帶、灰分產率-光譜相關波長點的分析，借鑒定量遙感和化學計量學的思路[21,24,31]，選取表1中的11個波長點處連續統去除預處理光譜為訓練數據，建立煤巖灰分產率機器學習預測模型。與其他機器學習算法相比，支持向量機(SVM)算法更適合于本實驗的小訓練樣本、多維度成分因素、非線性關系問題[21]，為此本文建立煤巖灰分產率支持向量回歸(SVR)預測模型。同時以表1中11個波長點處連續統去除預處理光譜為訓練數據，50個試樣的煤巖類型為預測目標數據，建立煤巖類型支持向量分類(SVC)預測模型，以對比回歸和分類兩類支持向量機方法對基于反射光譜原位煤巖識別的有效性。

圖5 50個訓練集煤巖試樣灰分產率與反射光譜及預處理后光譜的相關系數曲線Fig.5 Correlation coefficient curves between ash yields and reflectance spectra and preprocessed spectra of 50 training coal and rock samples

圖6 圖5(d)中1 698 nm處灰分產率與光譜值的回歸分析Fig.6 Regression analyses between ash yields and spectral values at 1 698 nm inFig.5(d)

表1 50個訓練集煤巖試樣灰分產率與其連續統去除預處理光譜的最大相關系數區間
Table 1 Interval of maximum correlation coefficientsbetween ash yields and continuum removal-preprocessedspectra of 50 training coal and rock samples

波長點/nm相關系數1 6930.7701 6940.7711 6950.7731 6960.7731 6970.7741 6980.7771 6990.7761 7000.7721 7010.7691 7020.7691 7030.768

SVR基本原理為將光譜數據映射到高維空間并建立最優界面，使得所有數據到此界面的距離最小，此時最優界面回歸函數為

(11)

(12)

(13)

其最優界面求解過程與SVR類似，亦借助Lagrange變換法[32]，各參數意義與SVR類似，其中,yic為第i個訓練樣本的類型代號，本文使用0代表煤，1代表巖。

對于SVR和SVC煤巖預測模型的建立，本文采用5折交叉驗證求解最優γ和c，兩個參數的搜索范圍均取2-10～210，指數步長均取0.5，由50個煤巖訓練試樣的表1中11個波長點處連續統去除預處理光譜值及其灰分產率、煤巖類型為訓練數據，求解最優γ和c的過程如圖7所示。由圖7(a)可知，煤巖灰分產率SVR預測模型訓練中，煤巖試樣5折交叉驗證的驗證集煤巖灰分產率平均最小均方差(MSE)為0.002 182，此時最優解為c=24.5，γ=2-8。由圖7(b)可知，煤巖類型SVC預測模型訓練中，煤巖試樣5折交叉驗證的驗證集煤巖類型平均最大預測精度(PA)為94%，此時最優解為c=24，γ=2-4.5。此時，由前述50個煤巖樣本為訓練集，建立了煤巖灰分產率支持向量回歸(SVR)預測模型和煤巖類型支持向量分類(SVC)預測模型。

3.2 煤巖預測模型的預測效果評估

為進一步驗證以上所建立的SVR和SVC兩種煤巖預測模型的有效性，取前述25個測試煤巖試樣連續統去除預處理后光譜在表1中11個波長點處的光譜值，用上述兩種模型進行灰分產率和煤巖類型預測，預測結果如圖8所示。表2列出了SVR模型對25個測試煤巖試樣灰分產率預測的均方根誤差(RMSE)、決定系數(R2)，以及兩類SVM方法對測試試樣的預測精度(PA)，3個評價參數的計算方法如下

(14)

(15)

圖7 交叉驗證求解兩類支持向量機預測模型的最優參數Fig.7 Processes of searching for the optimal parameters of two types of SVM prediction models by cross validations

圖8 兩類支持向量機預測模型對測試煤巖樣本的預測結果Fig.8 Prediction results of test coal and rock samples by two types of SVM prediction models

式中，yi,yip分別為第i個測試試樣的實測、預測灰分產率;N為測試試樣類型被正確預測的個數。

同時，使用兩類SVM預測模型對50個訓練樣本的同類光譜數據進行了預測，預測結果數據同時也列于表2中。

表2 兩類支持向量機預測模型對煤巖樣本的預測結果數據
Table 2 Prediction result data of coal and rock samples bytwo types of SVM prediction models

預測模型測試試樣RMSER2PA/%訓練試樣RMSER2PA/%SVR0.050.88920.030.9298SVC——96——98

由表2可知，測試試樣的預測精度均達到90%以上，訓練試樣均達到95%以上，SVC類型預測方法略高于SVR灰分產率回歸預測方法。由圖8(a)可知，測試試樣預測灰分產率與實測灰分產率整體趨勢是一致的，同時SVR灰分產率回歸RMSE為5%，故本文SVR模型對天然原位煤巖試樣固體表面灰分產率的預測較為精確。

本實驗在仿真模型預測測試試樣時，還測試了兩種預測模型對每一個測試集試樣光譜的預測時間，均在0.1 s以內，加上每個試樣單條光譜曲線采集時間約為1 ms，即每個試樣光譜采集和類型預測總耗時不超過0.1 s。因此，以本實驗中50個煤巖訓練樣本在表1中11個波長點處連續統去除預處理光譜值，及其灰分產率、煤巖類型建立的SVR,SVC兩種原位煤巖感知識別模型對同一煤礦試樣能夠有效識別，并且能夠對試樣類型實時快速預測。

此外，考慮到光纖準直鏡探頭將來應用于煤礦井下時應具有防爆功能，針對防爆玻璃窗對近紅外反射信號的衰減問題，可采取增加煤巖探測區域光照度的措施。本實驗煤巖表面探測區域光照度只有20 000 lux，GOETZ等[13]通過設計專用聚光探頭提高了光照度，其在指定波段光照度為40倍日光照度，在100 000 lux以上，實現了傳送帶上矸石中礦物含量的在線精確測定。同時，煤巖探測區域光照度的增加不僅可增加探測距離，而且還可增加反射光譜的信噪比。

4 結 論

(1)依據常見頂板高度，距煙煤和碳質頁巖原位塊狀試樣表面3 m處通過光纖準直鏡采集的近紅外波段(1 000～2 500 nm)反射光譜，通過SG去噪，經FD,SD,CR,SNV四種方法預處理后，與試樣灰分產率的最大相關系數出現在1 698 nm波長點處，由連續統去除(CR)預處理方法獲得，且其波長點位于與煤巖主要有機成分有關的1 700 nm光譜帶附近。

(2)煤巖訓練樣本的近紅外反射光譜在經CR預處理后，以1 693～1 703 nm波長區間的11個波長點處預處理光譜值，及訓練樣本灰分產率、煤巖類型建立了SVR煤巖灰分產率預測模型、SVC煤巖類型預測模型，兩種原位煤巖感知識別模型對同一煤礦試樣識別率均達到90%以上，并且能夠對試樣類型實時快速預測。

(3)本實驗所用原位煤巖感知預測方法，為煤礦井下采煤工作面中煤層與頂板間煤巖界面的遠距離、準確、快速、低成本識別或界定提供了參考。