Resumen

Debido a la alta concentración de carbono orgánico en las pizarras carbonosas, una gran proporción de las pizarras carbonosas a menudo son mal clasificadas como carbones utilizando la espectroscopía de reflectancia visible e infrarroja cercana (VIS-NIR) en el campo de la identificación de ganga de carbón mediante teledetección hiperespectral de minas de carbón. Con el fin de estudiar la caracterización espectral de carbón y pizarra carbonosa, se recolectaron tres muestras de bituminosa y tres pizarras carbonosas de una mina de carbón de China, y se obtuvieron sus curvas de reflectancia espectral mediante un espectrómetro de campo en el rango de longitud de onda de 350 a 2500 nm. Solo una pizarra carbonosa pudo ser fácilmente identificada de las tres muestras de bituminosa de acuerdo con los valles de absorción obvios cerca de 1400 nm, 1900 nm y 2200 nm de su curva de reflectancia, mientras que las otras dos pizarras carbonosas tienen curvas de reflectancia similares a las tres muestras de bituminosa. El efecto de la concentración de carbono en la curva de reflectancia fue simulado por el polvo mezclado de bituminosa de ultra bajo contenido de cenizas y arcilla en tamaño de grano de 0.5 mm bajo varias proporciones de mezcla. Se encontró que los valles de absorción cerca de 1400 nm, 1900 nm y 2200 nm del polvo mezclado no se vuelven obvios cuando el contenido de bituminosa es mayor al 30%. Con el fin de establecer un método efectivo de identificación de carbón y pizarra carbonosa, se dividieron 250 otras muestras recolectadas de la misma mina de carbón en 150 muestras de entrenamiento y 100 muestras de predicción. Se emplearon el análisis de componentes principales (PCA) y el análisis de componentes principales con núcleo radial de Gauss (GRB-KPCA) para extraer componentes principales (CP) de espectros con remoción de continuo (CR) de las muestras de entrenamiento en ocho regiones de longitud de onda seleccionadas que están relacionadas con las principales composiciones mineralógicas y orgánicas. Se establecieron dos modelos basados en máquinas de vectores de soporte (SVM): PCA-SVM y GRB-KPCA-SVM. Los resultados mostraron que el modelo GRB-KPCA-SVM tenía mejores precisión de identificación del 94% y 92% para muestras de predicción de polvo y bloque natural, respectivamente.

• Materias:Fluorescencia Nanopartículas Espectroscopia infrarroja Fármaco Espectroscopia raman
• Subjects:Fluorescence Nanoparticles Infrared spectroscopy Drug Raman spectroscopy
• Palabras claves:Alta concentración de carbono orgánico; Esquisto carbonoso; Mina de carbón; Curvas de reflectancia espectral; Valles de absorción; Método de identificación
• Keywords:High organic carbon concentration; Carbonaceous shale; Coal mine; Spectral reflectance curves; Absorption valleys; Identification method