Direct Evidence of Coal Swelling and Shrinkage with Injecting CO_(2) and N_(2) Using in-situ Synchrotron X-ray Microtomography

Deep coal seams are one of the world’s most widespread deposits for carbon dioxide(C02)disposal and are generally located near large point sources of CO_(2)emissions.The injection of CO_(2)into coal seams has great potential to sequester CO_(2)while simultaneously enhancing coalbed methane(CO_(2)-ECBM)recovery.Pilot tests of CO_(2)-ECBM have been conducted in coal seams worldwide with favorable early results.However,one of the main technical barriers in coal seams needs to be resolved:Injecting CO_(2)reduces coal permeability and well injectivity.Here,using in situ synchrotron X-ray microtomography,we provide the first observational evidence that injecting nitrogen(N_(2))can reverse much of this lost permeability by reopening fractures that have closed due to coal swelling induced by CO_(2)adsorption.Our findings support the notion that injecting minimally treated flue gas-a mixture of mainly N_(2) and CO_(2)-is an attractive alternative for ECBM recovery instead of pure CO_(2)injection in deep coal seams.Firstly,flue gas produced by power plants could be directly injected after particulate removal,thus avoiding high CO_(2)-separation costs.Secondly,the presence of N_(2)makes it possible to maintain a sufficiently high level of coal permeability.These results suggest that flue-gas ECBM for deep coal seams may provide a promising path toward net-zero emissions from coal mines.

表面活性剂辅助的煤矸识别教学实验设计

基于“液体介入+红外检测”技术设计了不同浓度表面活性剂辅助下的煤矸识别实验,从煤矸温变规律、煤矸温差规律、混矸率及识别准确率计算三方面分析了活性剂辅助对煤矸石识别效果的影响。实验结果表明,表面活性剂可极大增强煤矸温变效应,但不同浓度的活性剂扩大煤矸温差的程度不同;与清水对照组相比,0.05%浓度的DTAB溶液具有最佳的煤矸短时温差提升效果,可大幅提高基于红外图像的煤矸识别准确率。该实验设计基于智能放煤领域学科前沿成果,涉及采矿、计算机、化学等多个学科的知识交叉,能够提升学生综合运用跨学科知识解决实际问题的能力。

基于红外热成像的煤矸识别方法研究

基于重介选煤、跳汰选煤、浮选、干法选煤、γ射线检测法的煤矸分选方法投资成本高、分选效率低、环境污染严重,基于CCD相机的煤矸分选方法准确率不高,基于X射线的煤矸分选技术会危害工作人员的健康。红外热成像技术不受光照、粉尘影响,且不会对人体造成伤害。提出了一种基于红外热成像的煤矸识别方法。首先,煤和矸石在传送带的输送下经过加热区域,红外热成像仪监测经均匀加热后的煤和矸石中心点的温度,得到煤和矸石加热后的温度并对经加热区域均匀加热后的煤和矸石进行拍摄,得到煤和矸石的红外灰度图像和红外彩色图像。然后,选用高斯滤波对煤和矸石的红外灰度图像、红外彩色图像进行预处理并提取特征,将红外灰度图像的灰度均值、最大频数对应的灰度值特征和红外彩色图像的G通道一阶矩、G通道二阶矩特征作为分选特征,将上述4个特征作为分类模型的输入。最后,采用支持向量机(SVM)进行分类识别,从而达到识别煤和矸石的目的。实验结果表明:基于红外热成像的煤矸识别方法对烟煤、无烟煤、褐煤的分选准确率均达到了98%以上,有良好的分类效果。

基于水传热和红外热成像的煤矸识别方法

基于可见光图像的煤矸识别方法准确率不高、识别速度慢;基于高能射线透射的煤矸识别方法具有很大辐射导致较少应用。红外热成像具有穿透性强、不受光线影响等优点,但煤和矸石的表面温度在室温下相对接近,导致煤和矸石在红外热图像中没有明显差异,难以获得较好的识别效果。针对上述问题,提出了一种基于水传热和红外热成像的煤矸识别方法。在不同水温(18,21,24,27,30℃)条件下进行煤和矸石红外热成像实验,通过煤和矸石红外热图像和温度变化之间的差异来区分煤和矸石。实验结果表明:不同水温下煤和矸石红外热图像不同,当水温低于环境温度时,煤和矸石红外热图像之间的差异较大;在相同水温条件下,煤和矸石红外热图像之间的差异随着时间增加逐渐增大;煤和矸石表面温度变化均随水温升高和时间增加呈增大趋势,但矸石表面温度变化大于煤表面温度变化;当水温为18℃、时间为180 s时,煤和矸石红外热图像之间差异和温差均达到最大。这说明低温的水可作为一种传热介质,更有利于使煤和矸石之间产生较大的温差,从而实现煤和矸石红外热图像准确、快速识别。

改进的ORB-FLANN煤矸石图像高效匹配方法

针对煤矸石分拣机器人分拣煤矸石时,带式输送机输送带打滑、跑偏以及带速波动造成的目标煤矸石位姿变化,从而导致抓取失败或空抓漏抓等问题,提出了一种改进的ORB-FLANN (Oriented FAST and Rotated BRIEF-Fast Library for Approximate Nearest Neighbors)煤矸石识别图像与分拣图像高效匹配方法。提出改进ORB的特征点检测方法对煤矸石识别图像与分拣图像进行特征点检测,实现快速检测图像特征点;提出改进FLANN匹配算法对图像特征点进行匹配,实现煤矸石识别图像与分拣图像高效匹配。针对传统ORB方法对煤矸石图像特征检测时间长、重复率低问题,提出了改进ORB特征检测方法,提高了图像特征点检测速度和重复率;针对传统FLANN匹配方法对煤矸石图像匹配精确率低问题,提出了融合PROSAC算法的改进FLANN匹配方法,剔除错误特征匹配点对,提高了图像匹配的精确率。在自主研发的双机械臂桁架式煤矸石分拣机器人试验平台上应用文中方法、SURF特征匹配方法、HU不变矩匹配方法、SIFT特征匹配方法和ORB特征匹配方法分别进行了不同带速、尺度、旋转角度条件下的煤矸石匹配试验,结果表明:本方法的匹配率为98.2%,匹配时间为141 ms,具有匹配率高、实时性好以及鲁棒性强等特点,能够满足煤矸石识别图像与分拣图像高效精准匹配的要求。

基于机器视觉的煤矸石识别方法综述

煤矸石识别是煤炭智能化产业中的重要环节,而基于机器视觉的煤矸石识别技术是当前的研究重点和热点,但现有技术存在着一些问题和不足。首先揭示了外界因素对煤矸石图像采集的影响,其次阐述了煤矸石图像处理中的常用方法并指出了各方法存在的不足之处,最后总结了当前基于机器学习的煤矸石相关识别分类技术。基于上述研究成果,提出了当前煤矸石机器视觉识别方法的进一步研究方向,即:构建高质量的煤矸石数据集、研究高效的图像分割方法、选择最具代表性的煤矸石特征、优化深度学习网络模型结构。

基于改进ORB的复杂场景煤矸石匹配算法

在煤矸石分拣过程中,传统方法通过视觉识别与胶带速度预测煤矸石实时位姿,然而,由于煤矸石随胶带高速长距离运输过程中常发生打滑和跑偏现象,预测位姿与分拣区域实际位姿不一致,导致机械臂空抓、误抓,影响分拣效率。针对这一问题,提出了一种改进的ORB匹配算法用于煤矸石在分拣区域的二次定位,首先引入局部自适应伽马校正的oFAST特征检测,提高低光照下的匹配准确率;此外,针对矸石在高速移动中由于动态干扰产生的较多误匹配点,结合BEBLID描述子和GMS算法进行快速特征匹配,并运用随机抽样一致性算法优化匹配点选择,增强算法鲁棒性;最终,通过得到的匹配点计算最小外接矩形完成位姿获取。实验结果显示,所提算法相较于传统ORB算法在尺度、光照、视角变化下煤矸石匹配正确率分别提升了16.7%、36%和22%,平均误差为1.29 mm,平均匹配耗时在40 ms以内,适用于复杂场景下煤矸石的匹配定位。

基于GSL-YOLO模型的综放工作面混矸率检测方法

针对现有基于深度学习的综放工作面混矸率检测方法在井下低照度、高粉尘、煤矸堆叠等复杂条件下存在煤矸识别精度低、分割效果差、模型参数量和运算量大、未实现混矸率的实时检测等问题,提出了一种基于GSL-YOLO模型的混矸率检测方法。GSL-YOLO模型在YOLOv8-seg的基础上进行以下改进:在主干网络中引入全局注意力机制(GAM),通过减少信息弥散和放大全局交互表示提高模型特征提取能力;选用具有高效局部聚合网络的空间金字塔池化(SPPELAN)模块,提升模型处理不同尺寸目标时的检测性能;采用轻量级非对称多级压缩检测头(LADH),降低模型的训练难度,同时提高推理速度。提出了一种基于类别分割掩码的混矸率计算方法,该方法基于煤流图像处理结果中的分割掩码信息,计算其中矸石的像素面积与总像素面积的比值,作为瞬时混矸率。实验结果表明:(1)GSL-YOLO模型的m AP@0.5∶0.95达96.1%,比YOLOv8-seg模型提高了0.8%。(2)GSL-YOLO模型的参数量为2.9×10^(6)个,浮点运算次数为11.4×10^(9),模型权重为6.0MiB,比YOLOv8-seg模型分别降低了12.1%,5.8%,11.8%,实现了模型的轻量化。(3)GSL-YOLO模型在测试集上的帧率为12帧/s,基本满足实时检测要求。(4)与YOLO系列模型相比,GSL-YOLO模型分割效果最好,检测精度最高,参数量和运算量较少,综合性能最佳。(5)基于截取的综放工作面后部刮板输送机上煤流视频中的3帧图像,计算了瞬时混矸率,结果表明,提出的混矸率计算方法基本实现了综放工作面混矸率的实时计算。

孟津煤矿智能煤矸机器人研究应用

针对煤矿井下煤尘弥漫、噪声较大,人工手动筛分误拣率高造成煤矿生产工作效率较低的问题,结合信息化和智能化技术,孟津煤矿研究设计了一款智能煤矸机器人。详细论述了智能煤矸机器人的组成和工作原理,对比了应用智能煤矸机器人前后的效益。实际应用表明,采用机器人智能选矸技术后,经济效益、安全效益、社会效益和长远效益都得到有效提升。

基于孔隙结构特征的透水混凝土性能评价与分析

为探究不同因素对透水混凝土力学性能、透水性能和孔隙特征的影响,选择了水胶比、集灰比、粉煤灰掺量、煤矸石掺量4个因素,采用单因素试验方法研究了各因素在不同水平下对透水混凝土(EPC)性能的影响;利用图像分析法对混凝土内部孔隙特征进行量化分析,并建立EPC的透水系数模型和抗压强度模型;利用熵权法结合灰色关联理论对EPC性能的影响因素进行了综合评价。结果表明:EPC的抗压强度与劈裂抗拉强度基本满足正相关的关系,通过数值拟合发现,其满足一定的函数关系;粉煤灰掺量系列的透水混凝土具有相对较高的拉压比,表明粉煤灰能有效改善EPC韧性;等效孔径可用作特征孔径,根据孔隙特征和总浆体面积分别建立了EPC的透水系数模型和抗压强度模型;煤矸石掺量系列的EPC关联度相对较高,当煤矸石掺量为60%时,综合评价最高,关联度为89.56%。

智能机器人系统在煤矸分选工艺中的研究与应用

鉴于传统选煤厂人工分选劳动量大、效率低、粉尘多等问题,传统选煤厂选煤工艺不能满足新时期工业生产的技术标准。随着煤炭分选技术的不断进步,人工作业也逐渐被自动化选配装置所代替。介绍了煤矸智能分选技术的研究现状,开发了智能矸石分选机器人,阐述了系统技术方案,研究矸石分选系统的全自动化流程以及计算机视觉、图像处理等技术。通过对社会经济效益分析表明,该系统可显著提高选煤准确率、提升企业生产效率和经济效益,实现了减人、增安、提效的目的。

基于视觉技术的煤块检测方法设计

为了解决选煤过程中效率低、污染性大和投入力度大等问题,并提高选煤的质量和效率,提出一种融入Roberts算法和阈值式的X射线煤块检测方法。首先,介绍了机器视觉、X射线、图像分割等煤块检测技术。基于以上技术,设计了煤块和矸石分选阈值的方法。然后,通过试验,测试了煤块和矸石的参数、峰值灰度级和厚度、煤块阈值和矸石阈值,以及不同厚度下系统对煤块的识别精度。最后,对比了传统识别系统所需设备与基于Roberts算子和X射线的识别系统所需设备的成本。试验结果表明,所提方法能够减少物体厚度对识别结果产生的负面影响,从而进一步提高识别精度;能够较好地识别和区分煤块和矸石,且性价比较高。该方法对于煤块检测的识别具有重要的参考价值,能在一定程度上推动图像识别领域和能源利用领域的技术发展。

基于神经网络图像识别技术的放顶煤煤矸自动识别方法

放顶煤煤矸识别影响着整个综放工作面的开采效率,可以解决欠放和过放问题,使工人远离放煤工作面。提出基于神经网络图像识别技术的放顶煤煤矸自动识别方法。结合多阈值Qtsu分割算法和边缘检测方法,将图像分割为煤矸层、烟煤层和背景层,在煤矸层中利用灰度共生矩阵提取图像特征,在神经网络中加入模糊补偿原理,将提取的特征输入优化后的神经网络中,完成放顶煤煤矸自动识别。实验结果表明,所提方法的分割精度高、识别精度高、复杂度低。

模拟暗湿工况下煤矸混合体态势热敏图像精准辨识试验

煤矸井下智能分选作为智慧矿山建设的重要组成,可有效提升矿井资源绿色利用。现阶段可见光图像识别技术针对井下昏暗潮湿环境中煤矸混合体的辨识还有待完善。基于热红外成像技术和改进YOLOv5算法模型,提出了一种暗湿工况下煤矸混合态势热敏图像辨识方法。将YOLOv5模型的Neck部分改用加权双向特征金字塔(BiFPN)结构,通过多层次特征融合提高煤矸的辨识效率,采用CIOU函数作为损失函数,提升煤矸检测精准率;构建了煤矸混合体热敏采集试验平台,模拟了井下密闭空间低照度、高湿度、高风速环境,通过CLAHE与LAPLACE算子对红外摄像机所采集的热敏图像进行对比度增强和边缘强化预处理,以不同数据集、不同改进模块、不同算法模型等多个角度系统分析了煤矸混合体态势热敏图像辨识结果,探究了湿度变化对暗湿工况下煤矸识别准确率的影响规律。研究结果表明:预处理后的图像平均精准率较原始图像提升了1.7%,F-Measure值提升了6.9%;改进后的YOLOv5模型平均精度均值和F-Measure达到了80.2%和84.6%,高于经典模型的74.6%和79.7%,可有效提升煤矸热敏图像检测精度;环境相对湿度与识别准确率呈现先正相关,湿度达到一定阈值后负相关的变化规律。提出了热敏图像可准确识别昏暗潮湿密闭环境中的煤矸混合体,为实现井下暗湿工况煤矸混合态势精准辨识提供了科学依据。

多因素光照条件下高质量煤矸图像获取方法研究

针对在线选煤过程中,光照条件不足引起煤矸表面特征成像质量差,煤矸识别率低下的问题,提出一种融合光源分布、色温、光照强度等多因素条件的新型高质量煤矸图像获取方法。首先,针对煤矸流实际洗选过程中光照条件的复杂性导致的光照不均匀问题,基于九点取样法研究了不同入射角度对光照均匀度的影响,确定适用于煤流的最佳入射角度。然后,针对不同色温引起色彩还原性不同导致煤矸图像失真的问题,采用MSE、PSNR和SSIM等指标量化分析多样本单一种类煤矸图像失真情况,通过TOPSIS算法研究不同色温的光源对煤、矸石,以及混合煤矸石3种不同工况图像失真情况的影响,确定成像质量最优的色温。最后,考虑在线光照强度变化影响煤矸表面特征信息的表达,基于不同照度下煤矸表面特征响应曲线,建立曝光时间、输送带速度和环境光强的关联关系,量化表面区分度较大的照度区间,确定最佳光照条件。通过融合多因素光照条件下高质量图像获取方法建立煤矸识别系统,并对SSD和Faster-RCNN目标检测模型进行实验验证。结果表明:该方法在很大程度上提高了煤矸图像质量,煤矸识别准确率提高10.5%,为煤矸智能分选系统提供更为准确的数据支撑,对提高原煤入选率具有一定应用推广价值。

基于改进MobileNetV3网络煤矸识别方法研究

为了解决煤矸识别中经典卷积神经网络有着计算量大、识别速度慢等问题,提出基于改进MobileNetV3网络对煤和矸石进行识别的方法。以MobileNetV3模型为基础模型,对激活函数、注意力机制进行改进并对网络层数进行缩减,最后通过测试准确率,F1分数,浮点运算次数(FLOPs)作为模型评估的基准,结果表明:改进MobileNetV3后的测试准确率为99.5%,F1分数为0.995,FLOPs为50455003次,通过该模型与MobileNetV3,EfficientNet, AlexNet模型对比,可知该模型的各项指标均高于其他模型,适合做煤矸识别模型。

基于LBP特征与SVM的煤矸识别方法研究

为了提高煤炭开采过程中煤和矸石识别的准确率,提出了一种基于LBP特征与SVM的煤矸识别方法。首先利用机器视觉技术采集煤和矸石的图像,然后对煤和矸石图像进行中值滤波、图像锐化和阈值分割处理,再进行特征提取,最后分别用SVM、GA-SVM、PSO-SVM分类器进行分类识别。试验结果表明,LBP特征提取结合PSO-SVM分类器的识别效果最好,PSO-SVM模型的训练集和测试集的平均准确率分别为95.62%和94.06%,有效提高了煤矸识别的分类准确率。

基于AI图像处理的煤矸石特征提取及分类方法

当前煤矸石分选工作主要依赖于传统的人工方式,存在识别准确率不高、效率低下等不足。基于此,提出了一种基于AI图像处理技术的煤矸石特征提取及分类方法。通过对煤矸石和煤料图像的预处理,来增强图像的特征,并将灰度共生矩阵中的角二阶矩、相关性、对比度以及熵等代表性参数作为煤矸石纹理特征提取依据,从而构建基于支持向量机(SVM)和HOG特征相结合的分类模型。实验结果表明:该分类方法能够有效完成煤矸石特征的提取,识别准确率达到95.6%,能够进一步提高煤矸石的分拣效率。

基于LBP算法的SVM煤矸识别

为研究基于LBP算法的SVM煤矸图像识别的可行性,在实验室环境下基于Python和OpenCV2开发了煤矸图像可视化识别系统。基于采集的煤和矸石图像,通过LBP算法提取煤和矸石的特征纹理信息,建立煤和矸石特征纹理信息样本集,训练SVM模型,绘制煤矸识别散点图,实现煤和矸石的图像识别。结果表明:当用户自定义分割尺寸分别为64×64像素、128×64像素、256×128像素和256×256像素时,以多项式核和高斯核为内核的SVM模型识别效果较好,平均辨识度达90%以上;高斯核SVM模型所需惩罚系数小,且识别效果优于多项式核SVM模型,高斯核SVM模型的训练集和验证集正确率均超过93%,最高分别约为95.5%和94.4%,煤矸识别效果良好。

基于YOLOv3的煤矸识别系统

对于传统图像处理算法在煤矸识别领域运用时存在的识别准确率低的问题,提出了一种基于YOLOv3的识别系统,该系统先对图像进行图像锐化等预处理操作,再将处理后的图像作为YOLOv3算法的输入,最终输出煤矸识别定位结果。实验表明,图像预处理结合YOLOv3的识别正确率达到了95.4%,相比于传统算法具有一定的优势。