通过使用现场遥感数据和集成深度学习模型测量煤矿地区的硫含量
1College of Sciences, Northeastern University, Shenyang, China.
PeerJ. Computer science
|December 9, 2024
概括
这项研究引入了一种新的现场遥感方法,以准确地绘制开放式矿山中煤炭硫含量的地图. 卷积神经网络方法显著改善了环境安全的煤炭质量评估.
科学领域:
- 地质科学是地球科学.
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
背景情况:
- 煤炭质量对于减少燃烧过程中的环境危害至关重要.
- 硫含量是煤炭质量的关键指标,全球对高质量的煤炭需求日益增加.
- 在采矿区快速确定煤炭硫含量是一个重大挑战.
研究的目的:
- 开发和验证一种用于绘制开放式矿山煤炭硫含量分布的新方法.
- 评估现场遥感数据的有效性,结合用于煤炭成分分析的先进分析模型.
主要方法:
- 收集的可见场和近红外 (Vis-NIR) 光谱数据.
- 利用基于卷积神经网络 (CNN) 架构的新型微小神经网络.
- 开发了用于评估煤炭硫含量的分析模型.
主要成果:
- 提出的基于CNN的方法在煤炭硫含量分析中实现了高精度 (99.65%).
- 该模型显示了较低的平方根平均误差 (0.073) 和高的确定系数 (R=0.87).
- 性能超过了传统的方法,如支向量机和部分最小正方形.
结论:
- 现场遥感与CNN相结合,为分析煤炭硫含量提供了一种优越而有效的方法.
- 这种方法比传统的煤炭质量评估技术具有显著的优势.
- 该研究为评估煤矿组成和分布建立了一个新的基准.
更多相关视频
08:37Measurement of H2S in Crude Oil and Crude Oil Headspace Using Multidimensional Gas Chromatography, Deans Switching and Sulfur-selective Detection
Published on: December 10, 2015
19.1K
09:31Preparation of Authigenic Pyrite from Methane-bearing Sediments for In Situ Sulfur Isotope Analysis Using SIMS
Published on: August 31, 2017
7.6K
