通过近红外光谱技术识别煤炭特性：机器学习预测与实验验证

海泉 安|刘 真|叶 利|彭 宝子

国家清洁与低碳能源研究院，北京 102209，中国

摘要

本研究采用近红外光谱技术结合多种机器学习算法，开发了一种快速可靠的煤炭成分识别框架，显著提高了预测的准确性和效率。支持向量机（SVM）、随机森林（RF）、时间卷积网络（TCN）、一维卷积神经网络（1D CNN）和门控循环单元（GRU）算法被用于煤炭性质的回归建模。在所考虑的各种模型中，TCN模型表现出最低的平均绝对误差（MAE）值，为0.505。此外，RF模型显示出最低的均方根误差（RMSE）值，为0.618，表明其在测试集上的预测能力较强。TCN模型的变异系数（CV）值最低，为0.042，体现了其良好的泛化能力和稳定性。进一步分析表明，不同模型对煤炭成分的预测效果各不相同。例如，TCN模型在预测灰分含量方面表现最佳，而RF模型在预测固定碳和低热值方面最为准确。综合考虑模型参数数量、计算时间和准确性分析，结果表明RF、1D CNN和TCN模型更为高效。最后，通过SHAP值分析揭示了关键特征峰对预测结果的影响。研究结果显示，煤炭对近红外光的吸收强度与其有机和无机成分之间存在关联，指出了灰分、水分和固定碳的重要特征光谱范围。这项研究不仅为煤炭行业提供了一种新的快速检测方法，也为其他领域的成分分析提供了参考。

1. 下载：下载高分辨率图片（164KB）
2. 下载：下载全尺寸图片