CN113125353A - 检测方解石含量的方法和预设模型的建设方法 - Google Patents
检测方解石含量的方法和预设模型的建设方法 Download PDFInfo
- Publication number
- CN113125353A CN113125353A CN202110408844.XA CN202110408844A CN113125353A CN 113125353 A CN113125353 A CN 113125353A CN 202110408844 A CN202110408844 A CN 202110408844A CN 113125353 A CN113125353 A CN 113125353A
- Authority
- CN
- China
- Prior art keywords
- sample
- preset
- thermal infrared
- infrared spectrum
- spectrum data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910021532 Calcite Inorganic materials 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000005498 polishing Methods 0.000 claims description 6
- 238000005406 washing Methods 0.000 claims description 6
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 5
- 239000011707 mineral Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005553 drilling Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N argon Substances [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims description 3
- 229910052786 argon Inorganic materials 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 239000003292 glue Substances 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000005507 spraying Methods 0.000 claims description 3
- 241000446313 Lamella Species 0.000 claims 1
- 238000004566 IR spectroscopy Methods 0.000 abstract description 2
- 235000019738 Limestone Nutrition 0.000 description 33
- 239000006028 limestone Substances 0.000 description 33
- 239000011435 rock Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- -1 feeds Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000002441 X-ray diffraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 229910001748 carbonate mineral Inorganic materials 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000010459 dolomite Substances 0.000 description 1
- 229910000514 dolomite Inorganic materials 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000004579 marble Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 229940034610 toothpaste Drugs 0.000 description 1
- 239000000606 toothpaste Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/171—Systems in which incident light is modified in accordance with the properties of the material investigated with calorimetric detection, e.g. with thermal lens detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/171—Systems in which incident light is modified in accordance with the properties of the material investigated with calorimetric detection, e.g. with thermal lens detection
- G01N2021/1714—Photothermal radiometry with measurement of emission
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种检测方解石含量的方法，包括：获取被测样品的热红外光谱数据；根据热红外光谱数据确定出被测样品在预设波段的反射峰的相对深度；将相对深度代入预设模型，得到被测样品的方解石含量。基于此，本申请在检测方解石含量时，只需获取被测样品的热红外光谱数据，使得本申请不会损坏被检测样品，且检测成本低，可批量检测。
Description
技术领域
本发明涉及热红外光谱数据解译与应用技术领域，具体涉及一种检测方解石含量的方法和预设模型的建设方法。
背景技术
方解石是最为常见的碳酸盐矿物，在自然界中分布广泛，是构成石灰岩和大理岩的主要造岩矿物，也是热液矿床中重要的脉石矿物，广泛应用于人造地砖、橡胶、塑料、造纸、涂料、油漆、油墨、电缆、建筑用品、食品、医药、纺织、饲料、牙膏等日用化工行业。
相关技术通过X射线衍射(X-ray diffraction，XRD)方法检测岩石中的方解石含量。然而通过XRD检测方法检测岩石中方解石含量会对被检测样品产生损坏，且检测成本高，不可批量检测。
发明内容
有鉴于此，为了在一定程度上解决相关技术存在的问题，本申请提供一种检测方解石含量的方法和预设模型的建设方法。
本发明采用如下技术方案：
参看本申请的第一方面，本申请提供了一种检测方解石含量的方法，包括：
获取被测样品的热红外光谱数据；
根据所述热红外光谱数据确定出所述被测样品在预设波段的反射峰的相对深度；
将所述相对深度代入预设模型，得到所述被测样品的方解石含量。
进一步的，所述预设波段为波长在13970-14200nm的波段。
参看本申请的第二方面，本申请提供了一种预设模型的建设方法，包括：
获取多组目标实验样品；每组所述实验样品中包含一个岩心柱筛样和与所述岩心柱筛样对应的薄片样；
获取各所述岩心柱筛样的热红外光谱数据；
根据各所述岩心柱筛样的热红外光谱数据对应确定出各所述岩心柱筛样在预设波段的反射峰的相对深度；
确定出各所述薄片样的方解石含量；
根据所述相对深度和所述方解石含量建立预设模型。
进一步的，获取一组目标实验样品，包括：
通过钻机获取一个目标柱塞样；
切割所述柱塞样的预设位置，得到所述岩心柱筛样和未处理薄片样；
对所述未处理薄片样进行预设处理，得到所述薄片样。
进一步的，所述对所述未处理薄片样进行预设处理，包括：
对所述未处理薄片样依次进行洗油、洗盐、烘干、抽真空注胶、机械抛光、氩离子抛光和喷碳处理。
进一步的，所述获取各所述岩心柱筛样的热红外光谱数据，包括：
通过热红外光谱仪向所述岩心柱筛样的目标检测端面发射波段为2500-15000nm的红外线，以获取所述热红外光谱数据。
进一步的，所述根据各所述岩心柱筛样的热红外光谱数据对应确定出各所述岩心柱筛样在预设波段的反射峰的相对深度，包括：
将各所述岩心柱筛样的热红外光谱数据进行归一化处理；
对归一化处理后的热红外光谱数据进行预设波段包络线剔除；
基于剔除包络线的热红外光谱数据对应确定出所述相对深度。
进一步的，所述确定出各所述薄片样的方解石含量，包括：
通过矿物成分定量分析仪扫描所述薄片样的目标检测端面，获取扫描数据；
通过iDiscover软件处理所述扫描数据，得到所述方解石含量。
进一步的，每个所述相对深度和与其对应的方解石含量组成一组目标实验数据；
所述根据所述相对深度和所述方解石含量建立预设模型，包括：
将所有组所述目标实验数据按照预设分配规则分为训练集和测试集；
基于最小二乘法将所述训练集的目标实验数据进行一元线性回归建模，得到所述预设模型；
基于所述训练集和所述测试集验证所述预设模型。
本发明采用以上技术方案，获取被测样品的热红外光谱数据，根据热红外光谱数据确定出被测样品在预设波段的反射峰的相对深度，将相对深度代入预设模型，得到被测样品的方解石含量。基于此，本申请在检测方解石含量时，只需获取被测样品的热红外光谱数据，使得本申请不会损坏被检测样品，且检测成本低，可批量检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种预设模型的建设方法的流程示意图。
图2是本申请实施例一提供的一组目标实验样品的结构示意图。
图3是本发明实施例二提供的一种检测方解石含量的方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
实施例一
图1是本发明实施例一提供的一种预设模型的建设方法的流程示意图。本实施例的预设模型应用于本申请实施例二所述的检测方解石含量的方法。如图1所示，本实施例的预设模型的建设方法包括如下步骤：
S11、获取多组目标实验样品；每组实验样品中包含一个岩心柱筛样和与岩心柱筛样对应的薄片样。
优选的，获取多组目标实验样品的具体过程可以是：首先，选取种类分别为砂岩、灰岩、泥岩、砾岩和白云岩的沉积岩样品，通过钻机钻取直径约25mm的柱塞样。然后，切割柱塞样的预设位置，得到岩心柱筛样和未处理薄片样。最后，对未处理薄片样进行预设处理，得到薄片样。
图2是本申请实施例一提供的一组目标实验样品的结构示意图。如图2所示，一组目标实验样品包括一个岩心柱筛样21和一个薄片样22。
优选的，对未处理薄片样进行预设处理，得到薄片样，可以是：
对未处理薄片样依次进行洗油、洗盐、烘干、抽真空注胶、机械抛光、氩离子抛光和喷碳处理，得到薄片样。
需要说明的是，本申请对沉积岩样品的种类和数量不做限制，本领域技术人员可根据实际需要选择沉积岩样品的种类和数量。此外，本申请对柱塞样的尺寸不做限制，本领域技术人员可根据实际需要选择合适的尺寸。
S12、获取各岩心柱筛样的热红外光谱数据。
优选的，获取各岩心柱筛样的热红外光谱数据可以是：通过热红外光谱仪向岩心柱筛样的目标检测端面发射波段为2500-15000nm的红外线，以获取热红外光谱数据。每块岩心柱筛样对应一个热红外光谱数据，光谱分辨率为4cm-1。
详细的，如图2所示，岩心柱筛样的目标检测端面为图2中岩心柱筛样的靠近薄片样的端面，该端面为切割柱塞样时的一个切割面。同理，薄片样的目标检测端面为图2中薄片样的靠近岩心柱筛样的端面，该端面为切割柱塞样时的与前述切割面对应的另一个切割面。
S13、根据各岩心柱筛样的热红外光谱数据对应确定出各岩心柱筛样在预设波段的反射峰的相对深度。
优选的，根据各岩心柱筛样的热红外光谱数据对应确定出各岩心柱筛样在预设波段的反射峰的相对深度，包括：
首先，将各岩心柱筛样的热红外光谱数据进行归一化处理；然后，对归一化处理后的热红外光谱数据进行预设波段包络线剔除；最后，基于剔除包络线的热红外光谱数据对应确定出相对深度。
具体的，将各岩心柱筛样的热红外光谱数据进行归一化处理后，对归一化处理后的热红外光谱数据，选择13970-14200nm波段区间的热红外光谱数据，采用减法运算进行局部包络线剔除。最后，根据剔除包络线的热红外光谱数据计算出各岩心柱筛样在13970-14200nm波段区间的反射峰的相对深度。
S14、确定出各薄片样的方解石含量。
优选的，确定出各薄片样的方解石含量，包括：
首先，通过矿物成分定量分析仪扫描薄片样的目标检测端面，获取扫描数据；然后，通过iDiscover软件处理扫描数据，得到方解石含量。
在一个具体的实施例中，本申请检测出58组目标实验样品分别对应的相对深度和方解石含量。具体检测结果如下表所示：
其中，14100D表示相对深度。
S15、根据相对深度和方解石含量建立预设模型。
详细的，每个相对深度和与其对应的方解石含量组成一组目标实验数据。
优选的，根据相对深度和方解石含量建立预设模型，包括：
首先，将所有组目标实验数据按照预设分配规则分为训练集和测试集；然后，基于最小二乘法将训练集的目标实验数据进行一元线性回归建模，得到预设模型；最后，基于训练集和测试集验证预设模型。
详细的，预设分配规则可以是随机分配的规则，也可以是按照数值大小分配，尽量保证两个数据集的数据大小相同的分配规则。训练集和数据集的数据比例为1:1。
在一个具体的例子中，按照数值大小分配，尽量保证两个数据集的数据大小相同的分配规则，将所有组目标实验数据分为训练集和测试集。
具体的，基于最小二乘法将训练集的数据进行一元线性回归建模，得到相关性公式为：
y＝807.56x+0.3795，R2＝0.9315
其中，y为方解石含量，x为相对深度，R2是决定系数，越接近与1，表明两组数据拟合程度越好。
然后，将训练集样品中的相对深度代入上述相关性公式，得到方解石含量预测值，训练集对应的方解石含量实际值和预测值如下表：
| 样号 | 岩性 | 方解石含量实际值(100％) | 方解石含量预测值(100％) |
| QD17-17 | 灰岩 | 96.45 | 63.44 |
| QD17-18 | 灰岩 | 95.69 | 84.69 |
| QD17-30 | 灰岩 | 94.56 | 96.21 |
| QZ16-21 | 灰岩 | 93.33 | 81.47 |
| QD17-21 | 灰岩 | 92.08 | 89.63 |
| QD17-25 | 灰岩 | 90.79 | 92.92 |
| QD17-35 | 灰岩 | 89.15 | 89.63 |
| QD17-20 | 灰岩 | 88.65 | 86.33 |
| QD17-10 | 灰岩 | 86.10 | 101.98 |
| QD17-8 | 灰岩 | 85.00 | 83.04 |
| QD17-36 | 灰岩 | 82.82 | 92.92 |
| QD17-19 | 灰岩 | 77.82 | 89.63 |
| QD17-22 | 灰岩 | 73.80 | 93.74 |
| QD17-32 | 灰岩 | 64.72 | 71.43 |
| QD17-34 | 灰岩 | 58.07 | 43.43 |
| QZ16-16 | 砂岩 | 32.17 | 52.82 |
| QZ16-25 | 砂岩 | 21.62 | 22.27 |
| QD17-3 | 砂岩 | 13.45 | 8.21 |
| QD17-2 | 砂岩 | 10.95 | 7.70 |
| QD17-24 | 砂岩 | 6.34 | 21.61 |
| QZ16-8 | 砂岩 | 2.16 | 1.58 |
| QZ16-3 | 砂岩 | 1.58 | 2.42 |
| QZ16-26 | 砾岩 | 1.22 | 1.44 |
| QZ16-9 | 砂岩 | 0.57 | 1.55 |
| QZ16-7 | 泥岩 | 0.48 | 1.54 |
| QZ16-30 | 砾岩 | 0.08 | 1.50 |
| QZ16-23 | 砂岩 | 0.05 | 7.83 |
| QZ16-31 | 砾岩 | 0.03 | 3.13 |
| QZ16-5 | 砂岩 | 0.02 | 1.34 |
其中，方解石含量实际值为本申请实施例所述的方解石含量，为步骤S14确定出的方解石含量。
接下来，将测试集的相对深度代入上述相关性公式中，得到方解石含量预测值，测试集对应的方解石含量实际值和预测值如下表：
| 样号 | 岩性 | 方解石含量实际值(100％) | 方解石含量预测值(100％) |
| QD17-31 | 灰岩 | 98.57 | 101.98 |
| QZ16-14 | 灰岩 | 96.34 | 69.95 |
| QD17-29 | 灰岩 | 94.90 | 106.09 |
| QD17-13 | 灰岩 | 93.68 | 92.10 |
| QD17-11 | 灰岩 | 92.83 | 73.57 |
| QD17-12 | 灰岩 | 91.10 | 70.19 |
| QD17-15 | 灰岩 | 89.91 | 83.86 |
| QD17-16 | 灰岩 | 88.98 | 85.51 |
| QD17-27 | 灰岩 | 87.63 | 94.57 |
| QD17-9 | 灰岩 | 85.50 | 59.98 |
| QD17-14 | 灰岩 | 83.30 | 81.89 |
| QD17-23 | 灰岩 | 78.28 | 97.86 |
| QD17-7 | 灰岩 | 77.28 | 73.57 |
| QZ16-13 | 灰岩 | 71.38 | 79.75 |
| QZ16-20 | 灰岩 | 62.26 | 61.30 |
| QD17-1 | 砂岩 | 25.84 | 17.99 |
| QD17-41 | 砂岩 | 18.40 | 21.45 |
| QD17-40 | 砂岩 | 13.34 | 5.70 |
| QZ16-19 | 砂岩 | 10.51 | 21.69 |
| QZ16-17 | 泥岩 | 3.74 | 5.75 |
| QZ16-22 | 白云岩 | 2.24 | 7.05 |
| QZ16-18 | 白云岩 | 2.07 | 1.27 |
| QD17-38 | 灰岩 | 1.51 | 10.58 |
| QZ16-1 | 砂岩 | 0.74 | 2.10 |
| QZ16-28 | 砾岩 | 0.48 | 2.18 |
| QZ16-10 | 砂岩 | 0.15 | 1.65 |
| QZ16-27 | 白云岩 | 0.05 | 2.24 |
| QZ16-29 | 砾岩 | 0.04 | 1.69 |
| QD17-5 | 砂岩 | 0.02 | 1.87 |
其中，方解石含量实际值为本申请实施例所述的方解石含量，为步骤S14确定出的方解石含量。
最后，使用均方跟误差检验模型检测本申请预设模型的预测精度。具体的，训练集的方解石含量预测值与方解石含量实际值的均方根误差为10.85，测试集的方解石含量预测值与方解石含量实际值的均方根误差为10.76。两个均方根误差数值较小，表明本申请的预设模型预测精度高，两个均方根误差数值相差不大，表明本申请的预设模型稳健性较好。
实施例二
图3是本发明实施例二提供的一种检测方解石含量的方法的流程示意图。
如图3所示，本实施例的检测方解石含量的方法，包括：
S31、获取被测样品的热红外光谱数据。
S32、根据热红外光谱数据确定出被测样品在预设波段的反射峰的相对深度。
S33、将相对深度代入预设模型，得到被测样品的方解石含量。
详细的，获取被测样品的热红外光谱数据的具体过程可以参考本申请实施例一中获取目标实验样品的热红外光谱数据。然后根据热红外光谱数据确定出被测样品在13970-14200nm波段的反射峰的相对深度。最后，将相对深度代入以下公式，得到被测样品的方解石含量。
y＝807.56x+0.3795，R2＝0.9315
本发明采用以上技术方案，获取被测样品的热红外光谱数据，根据热红外光谱数据确定出被测样品在预设波段的反射峰的相对深度，将相对深度代入预设模型，得到被测样品的方解石含量。基于此，本申请在检测方解石含量时，不会损坏被检测样品，且检测成本低，可批量检测。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
流程示意图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种检测方解石含量的方法，其特征在于，包括：
获取被测样品的热红外光谱数据；
根据所述热红外光谱数据确定出所述被测样品在预设波段的反射峰的相对深度；
将所述相对深度代入预设模型，得到所述被测样品的方解石含量。
2.根据权利要求1所述的检测方解石含量的方法，其特征在于，所述预设波段为波长在13970-14200nm的波段。
3.一种预设模型的建设方法，应用于如权利要求1-2所述的检测方解石含量的方法，其特征在于，包括：
获取多组目标实验样品；每组所述实验样品中包含一个岩心柱筛样和与所述岩心柱筛样对应的薄片样；
获取各所述岩心柱筛样的热红外光谱数据；
根据各所述岩心柱筛样的热红外光谱数据对应确定出各所述岩心柱筛样在预设波段的反射峰的相对深度；
确定出各所述薄片样的方解石含量；
根据所述相对深度和所述方解石含量建立预设模型。
4.根据权利要求3所述的预设模型的建设方法，其特征在于，获取一组目标实验样品，包括：
通过钻机获取一个目标柱塞样；
切割所述柱塞样的预设位置，得到所述岩心柱筛样和未处理薄片样；
对所述未处理薄片样进行预设处理，得到所述薄片样。
5.根据权利要求4所述的预设模型的建设方法，其特征在于，所述对所述未处理薄片样进行预设处理，包括：
对所述未处理薄片样依次进行洗油、洗盐、烘干、抽真空注胶、机械抛光、氩离子抛光和喷碳处理。
6.根据权利要求3所述的预设模型的建设方法，其特征在于，所述获取各所述岩心柱筛样的热红外光谱数据，包括：
通过热红外光谱仪向所述岩心柱筛样的目标检测端面发射波段为2500-15000nm的红外线，以获取所述热红外光谱数据。
7.根据权利要求3所述的预设模型的建设方法，其特征在于，所述根据各所述岩心柱筛样的热红外光谱数据对应确定出各所述岩心柱筛样在预设波段的反射峰的相对深度，包括：
将各所述岩心柱筛样的热红外光谱数据进行归一化处理；
对归一化处理后的热红外光谱数据进行预设波段包络线剔除；
基于剔除包络线的热红外光谱数据对应确定出所述相对深度。
8.根据权利要求3所述的预设模型的建设方法，其特征在于，所述确定出各所述薄片样的方解石含量，包括：
通过矿物成分定量分析仪扫描所述薄片样的目标检测端面，获取扫描数据；
通过iDiscover软件处理所述扫描数据，得到所述方解石含量。
9.根据权利要求3所述的预设模型的建设方法，其特征在于，每个所述相对深度和与其对应的方解石含量组成一组目标实验数据；
所述根据所述相对深度和所述方解石含量建立预设模型，包括：
将所有组所述目标实验数据按照预设分配规则分为训练集和测试集；
基于最小二乘法将所述训练集的目标实验数据进行一元线性回归建模，得到所述预设模型；
基于所述训练集和所述测试集验证所述预设模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110408844.XA CN113125353A (zh) | 2021-04-16 | 2021-04-16 | 检测方解石含量的方法和预设模型的建设方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110408844.XA CN113125353A (zh) | 2021-04-16 | 2021-04-16 | 检测方解石含量的方法和预设模型的建设方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113125353A true CN113125353A (zh) | 2021-07-16 |
Family
ID=76776883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110408844.XA Pending CN113125353A (zh) | 2021-04-16 | 2021-04-16 | 检测方解石含量的方法和预设模型的建设方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113125353A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8908217D0 (en) * | 1988-04-15 | 1989-05-24 | Shell Int Research | Near infrared determination of petrophysical properties |
| CN105136735A (zh) * | 2015-09-07 | 2015-12-09 | 天津工业大学 | 一种用于三元掺伪芝麻油含量的快速、无损分析方法 |
| CN107367480A (zh) * | 2017-09-20 | 2017-11-21 | 鞍钢集团矿业有限公司 | 基于热红外光谱的鞍山式铁矿中二氧化硅含量测定方法 |
| CN107991244A (zh) * | 2016-10-27 | 2018-05-04 | 核工业北京地质研究院 | 一种适合于热红外高光谱遥感的石英含量定量计算方法 |
| US20200049623A1 (en) * | 2018-08-13 | 2020-02-13 | Oil Crops Research Institute, Chinese Academy Of Agricultural Sciences | Nir spectroscopy method for fatty acid content of oilseeds |
| CN111999260A (zh) * | 2020-08-03 | 2020-11-27 | 自然资源实物地质资料中心 | 一种热红外光谱识别含锂辉石伟晶岩的方法及热红外光谱的应用 |
-
2021
- 2021-04-16 CN CN202110408844.XA patent/CN113125353A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8908217D0 (en) * | 1988-04-15 | 1989-05-24 | Shell Int Research | Near infrared determination of petrophysical properties |
| CN105136735A (zh) * | 2015-09-07 | 2015-12-09 | 天津工业大学 | 一种用于三元掺伪芝麻油含量的快速、无损分析方法 |
| CN107991244A (zh) * | 2016-10-27 | 2018-05-04 | 核工业北京地质研究院 | 一种适合于热红外高光谱遥感的石英含量定量计算方法 |
| CN107367480A (zh) * | 2017-09-20 | 2017-11-21 | 鞍钢集团矿业有限公司 | 基于热红外光谱的鞍山式铁矿中二氧化硅含量测定方法 |
| US20200049623A1 (en) * | 2018-08-13 | 2020-02-13 | Oil Crops Research Institute, Chinese Academy Of Agricultural Sciences | Nir spectroscopy method for fatty acid content of oilseeds |
| CN111999260A (zh) * | 2020-08-03 | 2020-11-27 | 自然资源实物地质资料中心 | 一种热红外光谱识别含锂辉石伟晶岩的方法及热红外光谱的应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110261405B (zh) | 基于显微高光谱技术的绝缘子污秽成分识别方法 | |
| Sandak et al. | Near infrared spectroscopy as a tool for archaeological wood characterization | |
| CN108072626B (zh) | 一种沥青品牌识别方法 | |
| EP1103806A2 (en) | Method of rapidly screening x-ray powder diffraction patterns | |
| CN113984736B (zh) | 一种基于空间偏移拉曼光谱的带包装食品信号分离方法 | |
| JP2007171195A (ja) | 単一又は複数のセンサー群を使用して木製品の寸法安定性を判定する方法 | |
| CN109738413B (zh) | 基于稀疏非负最小二乘的混合物拉曼光谱定性分析方法 | |
| CN108398416A (zh) | 一种基于激光拉曼光谱的混合物成分测定方法 | |
| Šašić et al. | A comparison of Raman chemical images produced by univariate and multivariate data processing—a simulation with an example from pharmaceutical practice | |
| JP2007171196A (ja) | 水分、収縮率及び木理角度の簡単な代数的関数より木製品の寸法安定性を判定する方法 | |
| Pecoraro et al. | Measuring the chemical composition of waterlogged decayed wood by near infrared spectroscopy | |
| CN110567937A (zh) | 一种用于绝缘油拉曼光谱分析的竞争性自适应重加权关键数据提取方法 | |
| CN110632021A (zh) | 基于便携式近红外光谱仪的光谱检测方法及系统 | |
| CN109959624A (zh) | 基于反射光谱的矿物识别方法 | |
| CN110554013A (zh) | 一种利用荧光光谱特征信息实现快速识别比对的方法 | |
| Craddock et al. | Comparison of quantitative mineral analysis by X-ray diffraction and Fourier transform infrared spectroscopy | |
| Sciutto et al. | A multivariate methodological workflow for the analysis of FTIR chemical mapping applied on historic paint stratigraphies | |
| CN113125353A (zh) | 检测方解石含量的方法和预设模型的建设方法 | |
| Zhai et al. | Simultaneous quantitative analysis of three compounds using three-dimensional fluorescence spectra based on digital image techniques | |
| Cao et al. | Potential of near-infrared spectroscopy to detect defects on the surface of solid wood boards | |
| Xia et al. | Development of a chemometric methodology based on FTIR spectra for paper dating | |
| CN115376005A (zh) | 基于解谱网络的绝缘子污秽成分识别方法和系统 | |
| CN109632761B (zh) | 一种拉曼光谱数据的处理方法及系统 | |
| Silva et al. | Infrared spectroscopy and chemometrics to evaluate paper variability in document dating | |
| No et al. | Identification of plastics in cultural heritage collections by Fourier transform infrared spectroscopy (FTIR) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210716 |