CN115452928A - 一种煤中锗元素分布可视化输出及定量分析方法 - Google Patents
一种煤中锗元素分布可视化输出及定量分析方法 Download PDFInfo
- Publication number
- CN115452928A CN115452928A CN202211046918.0A CN202211046918A CN115452928A CN 115452928 A CN115452928 A CN 115452928A CN 202211046918 A CN202211046918 A CN 202211046918A CN 115452928 A CN115452928 A CN 115452928A
- Authority
- CN
- China
- Prior art keywords
- germanium
- icp
- flaking
- sample
- coal
- 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
- 229910052732 germanium Inorganic materials 0.000 title claims abstract description 177
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 title claims abstract description 177
- 239000003245 coal Substances 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000000007 visual effect Effects 0.000 title claims abstract description 31
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 123
- 238000000095 laser ablation inductively coupled plasma mass spectrometry Methods 0.000 claims abstract description 98
- 238000013507 mapping Methods 0.000 claims abstract description 97
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000002360 preparation method Methods 0.000 claims abstract description 11
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 29
- 229910052785 arsenic Inorganic materials 0.000 claims description 22
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 claims description 22
- 239000000126 substance Substances 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 15
- 239000002344 surface layer Substances 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000010812 external standard method Methods 0.000 claims description 12
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 12
- 238000010813 internal standard method Methods 0.000 claims description 12
- 239000011707 mineral Substances 0.000 claims description 11
- 238000002679 ablation Methods 0.000 claims description 10
- 229910052782 aluminium Inorganic materials 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000000608 laser ablation Methods 0.000 claims description 5
- 238000005498 polishing Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001095 inductively coupled plasma mass spectrometry Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 104
- 238000010586 diagram Methods 0.000 description 16
- 235000010755 mineral Nutrition 0.000 description 9
- 229910052683 pyrite Inorganic materials 0.000 description 5
- NIFIFKQPDTWWGU-UHFFFAOYSA-N pyrite Chemical compound [Fe+2].[S-][S-] NIFIFKQPDTWWGU-UHFFFAOYSA-N 0.000 description 5
- 239000011028 pyrite Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 239000009671 shengli Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004079 vitrinite Substances 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000003046 sporozoite Anatomy 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000005469 synchrotron radiation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
- G01N27/626—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode using heat to ionise a gas
- G01N27/628—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode using heat to ionise a gas and a beam of energy, e.g. laser enhanced ionisation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Biophysics (AREA)
- Optics & Photonics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种煤中锗元素分布可视化输出及定量分析方法，包括以下步骤：利用优化算法构建出锗元素分析样片的制片参数确定模型，将块状煤样通过制片参数确定模型确定出块状煤样的制片参数，并将块状煤样依据制片参数进行制片得到块状煤样的锗元素分析样片；利用图像识别算法构建出LA‑ICP‑MS Mapping区域的区域选取模型，将块状煤样的锗元素分析样片通过区域选取模型在块状煤样的锗元素分析样片中确定出LA‑ICP‑MSMapping区域。在制样和LA‑ICP‑MS Mapping分析区域的选定上利用优化算法构建出锗元素分析样片的制片参数确定模型，以保障锗元素分析样片的可视化效果，利用图像识别算法构建出LA‑ICP‑MS Mapping区域的区域选取模型，以保障LA‑ICP‑MS Mapping区域的元素多样性，提高可视化输出及定量分析的精准性。
Description
技术领域
本发明涉及煤炭元素分析技术领域，具体涉及一种煤中锗元素分布可视化输出及定量分析方法。
背景技术
煤型锗矿作为战略性金属元素-锗的主要来源煤型锗矿价值远远超过了煤炭价值本身。中国锗资源含量占世界资源类70％以上，其中90％来自于煤层中，因此探究煤层中锗元素的分布具有重大的经济价值。目前对于煤中锗元素的分布可视化分析主要基于电子探针面扫技术以及同步辐射XRF技术。由于锗元素能够在煤层中富集，形成煤型锗矿，含量在ppm级别到％级别均有所发育。电子探针面扫技术能够对煤中锗元素含量大于0.1％(主量元素)的地层进行可视化输出，但是无法做到定量分析输出，同步辐射XRF技术精度较高，能做到100ppm以上锗元素的可视化输出以及定量分析。但是以上两种方法均无法测定100pm(微量元素)以下的煤中锗元素的分布，而且，锗元素具有亲有机性、亲石性、亲硫性，其在煤中分布范围非常广，可以同时富集于煤中矿物、含硫矿物以及不同显微组分中，不同样品中锗元素富集位置大不相同。加之以上两种方法制样费用高，测试难度大，目前应用范围受限。
目前将LA-ICP-MS Mapping技术应用到煤中有机物与无机物中锗元素的分布进行探究，选择合适的制样过程及标定定量物质和元素，以实现可视化输出及定量分析的一种方法，但现有技术中在制样和LA-ICP-MS Mapping分析区域的选定上依旧采用人工选取，效率低，且人为主观性强，导致选取效果不可控。
发明内容
本发明的目的在于提供一种煤中锗元素分布可视化输出及定量分析方法，以解决现有技术中在制样和LA-ICP-MS Mapping分析区域的选定上依旧采用人工选取，效率低，且人为主观性强，导致选取效果不可控的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种煤中锗元素分布可视化输出及定量分析方法，包括以下步骤：
步骤S1、利用优化算法构建出锗元素分析样片的制片参数确定模型，以保障锗元素分析样片的可视化效果，将块状煤样通过制片参数确定模型确定出块状煤样的制片参数，并将块状煤样依据制片参数进行制片得到块状煤样的锗元素分析样片；
步骤S2、利用图像识别算法构建出LA-ICP-MS Mapping区域的区域选取模型，以保障LA-ICP-MS Mapping区域的元素多样性，将块状煤样的锗元素分析样片通过区域选取模型在块状煤样的锗元素分析样片中确定出LA-ICP-MS Mapping区域；
步骤S3、应用LA-ICP-MS Mapping技术对LA-ICP-MS Mapping区域进行剥蚀分析，以去除表层制样残渣，再选择内外标法对LA-ICP-MS Mapping区域中的锗元素进行分析；
步骤S4、基于内外标法的分析结果，对整个LA-ICP-MS Mapping区域进行可视化输出，并同时应用连接在剥蚀系统上的电感耦合等离子体质谱Agilent 7500a工作站对锗元素含量进行定量化分析。
作为本发明的一种优选方案，所述利用优化算法构建出锗元素分析样片的制片参数确定模型，包括：
选取多个历史锗元素分析样片，并获得历史锗元素分析样片的制片时长、制片成功率，所述制片成功率是对历史锗元素分析样片表面平整性的量化，将历史锗元素分析样片进行表面网格化处理以在历史锗元素分析样片表面获得一组表面网格，所述制片成功率的计算公式为：
式中，P为历史锗元素分析样片的制片成功率，Li为历史锗元素分析样片表面上第i个表面网格中心点处的高度值，n为历史锗元素分析样片表面上的表面网格数量；
将多个历史锗元素分析样片的制片时长作为第一输出项，将多个历史锗元素分析样片的制片厚度和历史锗元素分析样片对应的历史煤样的外形参数作为第一输入项，利用BP神经网络基于所述第一输出项和第一输入项进行卷积训练得到制片时长测算模型，所述制片时长测算模型为：
T＝BP(S,h)；
式中，T为制片时长，S为历史煤样的外形参数，h为制片厚度，BP为BP神经网络；
将多个历史锗元素分析样片的制片成功率作为第二输出项，将多个历史锗元素分析样片的制片厚度和历史锗元素分析样片对应的历史煤样的外形参数作为第二输入项，利用BP神经网络基于所述第二输出项和第二输入项进行卷积训练得到制片成功率测算模型，所述制片成功率测算模型为：
P＝BP(S,h)；
式中，P为制片成功率，S为历史煤样的外形参数，h为制片厚度，BP为BP神经网络；
将制片时长和制片成功率分别作为优化指标，并将最小化制片时长和最大化制片成功率构成所述制片参数确定模型，所述制片参数确定模型的模型表达式为：
式中，min为最小化运算符，max为最大化运算符；
将制片厚度大于制片激光束直径作为制片参数确定模型的求解范围，并在求解约束范围中对制片参数确定模型进行优化求解得到制片厚度。
作为本发明的一种优选方案，所述将块状煤样通过制片参数确定模型确定出块状煤样的制片参数，包括：
测量块状煤样的外形参数，并将块状煤样的外形参数输入至制片参数确定模型，由制片参数确定模型确定出块状煤样的制片参数。
作为本发明的一种优选方案，所述将块状煤样依据制片参数进行制片得到块状煤样的锗元素分析样片，包括：
利用制片激光束将块状煤样进行激光剥蚀、双面抛光至与制片厚度相符的块状煤样的锗元素分析样片。
作为本发明的一种优选方案，所述利用图像识别算法构建出LA-ICP-MS Mapping区域的区域选取模型，包括：
在历史锗元素分析样片中选取出包含多种矿物组分的表面区域标记为历史LA-ICP-MS Mapping区域，并将历史锗元素分析样片的表面图像作为图像识别算法YOLO V5的输入项，将历史LA-ICP-MS Mapping区域的位置信息作为图像识别算法YOLO V5的输出项；
利用图像识别算法YOLO V5基于所述图像识别算法YOLO V5的输入项和图像识别算法YOLO V5的输出项进行模型训练得到在锗元素分析样片中识别出包含多种矿物组分的表面区域的区域选取模型，所述区域选取模型的模型表达式为：
G＝YOLO V5(H)；
式中，G为位置信息，H为表面图像，YOLO V5为图像识别算法YOLO V5。
作为本发明的一种优选方案，所述将块状煤样的锗元素分析样片通过区域选取模型在块状煤样的锗元素分析样片中确定出LA-ICP-MS Mapping区域，包括：
获取块状煤样的锗元素分析样片的表面图像，将块状煤样的锗元素分析样片的表面图像输入至区域选取模型，由区域选取模型输出块状煤样的锗元素分析样片中确定出LA-ICP-MS Mapping区域；
其中，若确定出LA-ICP-MS Mapping区域数量不唯一，则选取表面平整性最高的LA-ICP-MS Mapping区域。
作为本发明的一种优选方案，所述应用LA-ICP-MS Mapping技术对LA-ICP-MSMapping区域进行剥蚀分析，包括：
将预剥蚀厚度设定为10微米，依据设定的预剥蚀厚度对LA-ICP-MS Mapping区域进行表层预剥蚀，以去除表层制样残渣；
在完成表层预剥蚀的LA-ICP-MS Mapping区域上进行表层正式剥蚀，以在LA-ICP-MS Mapping区域上获得激光点位分布。
作为本发明的一种优选方案，所述选择内外标法对LA-ICP-MS Mapping区域中的锗元素进行分析，包括：
将标定元素设置为铝元素，外标物质选用NIST610中的铝元素进行分析，锗元素为目标元素，选择砷元素作为对照实验元素；
基于外标物质中的元素信号和激光点位中的元素信号得出：
锗元素含量＝激光点位中铝元素信号值/外标物质中铝元素信号值*外标物质中已知锗元素含量；
砷元素含量＝激光点位中铝元素信号值/外标物质中铝元素信号值*外标物质中已知砷元素含量。
作为本发明的一种优选方案，所述基于内外标法的分析结果，对整个LA-ICP-MSMapping区域进行可视化输出，包括：
基于每个激光点位的锗元素含量和锗元素含量，应用ps工具对每个激光点位进行拼接整合，对整个LA-ICP-MS Mapping区域进行可视化输出。
作为本发明的一种优选方案，所述LA-ICP-MS Mapping区域的区域面积限制在5mm*5mm以下。
本发明与现有技术相比较具有如下有益效果：
本发明利用LA-ICP-MS Mapping技术对煤中有机物与无机物中锗元素的分布进行探究，并在制样和LA-ICP-MS Mapping分析区域的选定上利用优化算法构建出锗元素分析样片的制片参数确定模型，以保障锗元素分析样片的可视化效果，利用图像识别算法构建出LA-ICP-MS Mapping区域的区域选取模型，以保障LA-ICP-MS Mapping区域的元素多样性，以提高可视化输出及定量分析的精准性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的煤中锗元素分布可视化输出及定量分析方法流程图；
图2为本发明实施例提供的LA-ICP-MS Mapping区域的选择结构示意图；
图3为本发明实施例提供的LA-ICP-MS Mapping区域的剥蚀结构示意图；
图3(A)为本发明实施例提供的LA-ICP-MS镜头下面扫区域的结构示意图；
图3(B)为本发明实施例提供的面扫运行轨迹及激光点位分布结构示意图；
图3(C)为本发明实施例提供的NIST610标样外标打点分布结构示意图；
图4为本发明实施例提供的内蒙古胜利煤田煤型锗矿中煤样的LA-ICP-MSMapping区域的分析结果示意图；
图4(A)为本发明实施例提供的内蒙古胜利煤田煤型锗矿中煤样的LA-ICP-MSmapping区域的结构示意图；
图4(B)为本发明实施例提供的图4(A)中铝元素可视化分布结果示意图；
图4(C)为本发明实施例提供的图4(B)中铝元素定量化分析结果示意图；
图4(D)为本发明实施例提供的图4(A)中锗元素可视化分布结果示意图；
图4(E)为本发明实施例提供的图4(D)中锗元素定量化分析结果示意图；
图4(F)为本发明实施例提供的图4(A)中砷元素可视化分布结果示意图；
图4(G)为本发明实施例提供的图4(F)中砷元素定量化分析结果示意图；
图5为本发明实施例提供的基于电子探针图像分析对样品中铝，锗和砷元素的图像化分析结果示意图；
图5(A)为本发明实施例提供的电子探针分析选区图像；
图5(B)为本发明实施例提供的图5(A)中铝元素可视化分布结果示意图；
图5(C)为本发明实施例提供的图5(A)中锗元素可视化分布结果示意图；
图5(D)为本发明实施例提供的图5(A)中砷元素可视化分布结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种煤中锗元素分布可视化输出及定量分析方法，包括以下步骤：
步骤S1、利用优化算法构建出锗元素分析样片的制片参数确定模型，以保障锗元素分析样片的可视化效果，将块状煤样通过制片参数确定模型确定出块状煤样的制片参数，并将块状煤样依据制片参数进行制片得到块状煤样的锗元素分析样片；
所述利用优化算法构建出锗元素分析样片的制片参数确定模型，包括：
选取多个历史锗元素分析样片，并获得历史锗元素分析样片的制片时长、制片成功率，所述制片成功率是对历史锗元素分析样片表面平整性的量化，将历史锗元素分析样片进行表面网格化处理以在历史锗元素分析样片表面获得一组表面网格，所述制片成功率的计算公式为：
式中，P为历史锗元素分析样片的制片成功率，Li为历史锗元素分析样片表面上第i个表面网格中心点处的高度值，n为历史锗元素分析样片表面上的表面网格数量；
将多个历史锗元素分析样片的制片时长作为第一输出项，将多个历史锗元素分析样片的制片厚度和历史锗元素分析样片对应的历史煤样的外形参数作为第一输入项，利用BP神经网络基于所述第一输出项和第一输入项进行卷积训练得到制片时长测算模型，所述制片时长测算模型为：
T＝BP(S,h)；
式中，T为制片时长，S为历史煤样的外形参数，h为制片厚度，BP为BP神经网络；
将多个历史锗元素分析样片的制片成功率作为第二输出项，将多个历史锗元素分析样片的制片厚度和历史锗元素分析样片对应的历史煤样的外形参数作为第二输入项，利用BP神经网络基于所述第二输出项和第二输入项进行卷积训练得到制片成功率测算模型，所述制片成功率测算模型为：
P＝BP(S,h)；
式中，P为制片成功率，S为历史煤样的外形参数，h为制片厚度，BP为BP神经网络；
将制片时长和制片成功率分别作为优化指标，并将最小化制片时长和最大化制片成功率构成所述制片参数确定模型，所述制片参数确定模型的模型表达式为：
式中，min为最小化运算符，max为最大化运算符；
将制片厚度大于制片激光束直径作为制片参数确定模型的求解范围，并在求解约束范围中对制片参数确定模型进行优化求解得到制片厚度。主要满足用于LA-ICP-MSMapping分析里的激光剥蚀的条件，即厚度大于激光束的两倍即可，比如激光束半径最大为120微米，理论上薄片厚度大于240微米即可。
其中，锗元素分析样片厚度越薄，表明块状煤样的表面凹凸不平抛光的越多，即锗元素分析样片的表面平整性越高，此时制片效果越好，制片成功率越高，而表面平整性越高又会降低锗元素分析样片对后期可视化输出的影响，因此在对块状煤样进行制片过程中期望制片成功率高。
锗元素分析样片厚度越厚，制片时长越短，表明制片难度越低，此时制片效率越高，因此在对块状煤样进行制片过程中期望制片时长越短，制片成功率和制片时长均与得到的锗元素分析样片的制片厚度有关，因此利用BP神经网络在已有的锗元素分析样片对制片成功率、制片时长与制片厚度的关系进行深度学习，从而得出制片时长测算模型和制片成功率测算模型，用于实现对块状煤样进行制片时长测算和制片成功率测算，并在制片厚度的取值范围内得到最大化制片成功率和最小化制片时长的最优制片厚度，并将块状煤样按该最优制片厚度制作得到的锗元素分析样片能够在制片时长和制片成功率之间做权衡，使得二者相矛盾的指标进行均衡化处理，实现两者指标的最优化，保证输出可视化效果的同时保证制片效率。
所述将块状煤样通过制片参数确定模型确定出块状煤样的制片参数，包括：
测量块状煤样的外形参数，并将块状煤样的外形参数输入至制片参数确定模型，由制片参数确定模型确定出块状煤样的制片参数。
所述将块状煤样依据制片参数进行制片得到块状煤样的锗元素分析样片，包括：
利用制片激光束将块状煤样进行激光剥蚀、双面抛光至与制片厚度相符的块状煤样的锗元素分析样片。
在显微镜下，受矿物的反射，平面的剖光程度以及煤种不同有机显微组分的不同，所选取的区域在LA-ICP-MS剥蚀镜头(背散射扫面电镜镜头)会呈现较大差别，选区也是依照不同煤田的不同特征，尽可能选取多种显微组分，矿物均包含在内的区域，因此需要提前选取多个区域以保证最终以上影响因素对结果的误差降至最低，尽可能包含元素多的区域，最终确定的目标区域应为平整的，焦距不需调整的，通常目前大多使用人工进行区域筛选，主观随机性强，筛选结果可靠性低。本实施例提供了一种利用图像识别算法构建的区域选取模型进行LA-ICP-MS Mapping区域的选取，从而实现自动化、客观化提取出元素多样性高的LA-ICP-MS Mapping区域，具体如下：
如图2所示，步骤S2、利用图像识别算法构建出LA-ICP-MS Mapping区域的区域选取模型，以保障LA-ICP-MS Mapping区域的元素多样性，将块状煤样的锗元素分析样片通过区域选取模型在块状煤样的锗元素分析样片中确定出LA-ICP-MS Mapping区域；
所述利用图像识别算法构建出LA-ICP-MS Mapping区域的区域选取模型，包括：
在历史锗元素分析样片中选取出包含多种矿物组分的表面区域标记为历史LA-ICP-MS Mapping区域，并将历史锗元素分析样片的表面图像作为图像识别算法YOLO V5的输入项，将历史LA-ICP-MS Mapping区域的位置信息作为图像识别算法YOLO V5的输出项；
利用图像识别算法YOLO V5基于所述图像识别算法YOLO V5的输入项和图像识别算法YOLO V5的输出项进行模型训练得到在锗元素分析样片中识别出包含多种矿物组分的表面区域的区域选取模型，所述区域选取模型的模型表达式为：
G＝YOLO V5(H)；
式中，G为位置信息，H为表面图像，YOLO V5为图像识别算法YOLO V5。
所述将块状煤样的锗元素分析样片通过区域选取模型在块状煤样的锗元素分析样片中确定出LA-ICP-MS Mapping区域，包括：
获取块状煤样的锗元素分析样片的表面图像，将块状煤样的锗元素分析样片的表面图像输入至区域选取模型，由区域选取模型输出块状煤样的锗元素分析样片中确定出LA-ICP-MS Mapping区域；
其中，若确定出LA-ICP-MS Mapping区域数量不唯一，则选取表面平整性最高的LA-ICP-MS Mapping区域。
利用区域选取模型进行LA-ICP-MS Mapping区域，效率高的同时能够保证筛选可靠性。
步骤S3、应用LA-ICP-MS Mapping技术对LA-ICP-MS Mapping区域进行剥蚀分析，以去除表层制样残渣，再选择内外标法对LA-ICP-MS Mapping区域中的锗元素进行分析；
如图3所示，所述应用LA-ICP-MS Mapping技术对LA-ICP-MS Mapping区域进行剥蚀分析，包括：
将预剥蚀厚度设定为10微米，依据设定的预剥蚀厚度对LA-ICP-MS Mapping区域进行表层预剥蚀，以去除表层制样残渣；
在完成表层预剥蚀的LA-ICP-MS Mapping区域上进行表层正式剥蚀，以在LA-ICP-MS Mapping区域上获得激光点位分布。
所述选择内外标法对LA-ICP-MS Mapping区域中的锗元素进行分析，包括：
将标定元素设置为铝元素，外标物质选用NIST610中的铝元素进行分析，锗元素为目标元素，选择砷元素作为对照实验元素；
基于外标物质中的元素信号和激光点位中的元素信号得出：
锗元素含量＝激光点位中铝元素信号值/外标物质中铝元素信号值*外标物质中已知锗元素含量；
砷元素含量＝激光点位中铝元素信号值/外标物质中铝元素信号值*外标物质中已知砷元素含量。
本次标定元素为铝元素，因为铝元素作为煤层最常见，含量较高的元素，广泛发育于矿物和有机质中。外标物质选用NIST610中的铝元素进行分析，锗元素为目标元素，另外我们选择砷元素作为对照实验元素，因为砷元素主要发育于黄铁矿中，为已知固定的分布状态。
步骤S4、基于内外标法的分析结果，对整个LA-ICP-MS Mapping区域进行可视化输出，并同时应用连接在剥蚀系统上的电感耦合等离子体质谱Agilent 7500a工作站对锗元素含量进行定量化分析。
所述基于内外标法的分析结果，对整个LA-ICP-MS Mapping区域进行可视化输出，包括：
基于每个激光点位的锗元素含量和锗元素含量，应用ps工具对每个激光点位进行拼接整合，对整个LA-ICP-MS Mapping区域进行可视化输出。
所述LA-ICP-MS Mapping区域的区域面积限制在5mm*5mm以下。
本文以中国最大煤型锗矿内蒙古胜利煤田煤型锗矿的煤样为研究对象，基于研究步骤首先将其制成1.1mm的双面抛光激光片，然后在显微镜下进行LA-ICP-MS mapping区域选区。基于显微镜观察，胜利煤田煤有机质主要以孢子体和结构镜质体为主，无机矿物主要为黄铁矿，那么在选区时也要尽可能囊括这三个元素，本次选取如图4所示。所选区域为3mm*3mm，同时包含黄铁矿，孢子体和结构镜质体。
接下来依次对选区进行预剥蚀，对外标元素和选区进行激光剥蚀，并同时对铝元素、锗元素以及砷元素信号值进行标定。基于锗元素含量公式、砷元素含量公式依次对铝、锗、砷的分布进行可视化输出。可以清楚的看出LA-ICP-MS mapping能够对选区内所有的位置的锗元素进行识别与输出，而且根据图3A中组分的分布，可以推测出锗元素主要赋存于结构镜质体中，这一点为后期工业提取锂元素提供了理论基础，能够提高元素利用率。而砷元素主要以点状赋存于黄铁矿中这一点也符合实际砷元素的分布状态。
为了探究LA-ICP-MS mapping的精准度，我们应用电子探针mapping技术对同一块样品种的铝元素，锗元素和砷元素进行识别，识别结果如图5所示。电子探针选区内与图4的(A)中LA-ICP-MS mapping分析选取一样同时包含了相同的黄铁矿、孢子体和结构镜质体，但是电子探针受限于检测极限仅能对区域内0.1％以上的元素区域进行识别，如铝元素，对于ppm级别的锗元素和砷元素识别效果非常差，仅能对个别达到了0.1％级别的区域识别出来。
因此基于LA-ICP-MS MAPPING技术的本项方案能够能好得对煤种ppm级别到％级别的锗元素进行可视化输出以及定量化分析，能够适用于煤种锗元素的元素检测。
本发明利用LA-ICP-MS Mapping技术对煤中有机物与无机物中锗元素的分布进行探究，并在制样和LA-ICP-MS Mapping分析区域的选定上利用优化算法构建出锗元素分析样片的制片参数确定模型，以保障锗元素分析样片的可视化效果，利用图像识别算法构建出LA-ICP-MS Mapping区域的区域选取模型，以保障LA-ICP-MS Mapping区域的元素多样性，以提高可视化输出及定量分析的精准性。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种煤中锗元素分布可视化输出及定量分析方法，其特征在于，包括以下步骤：
步骤S1、利用优化算法构建出锗元素分析样片的制片参数确定模型，以保障锗元素分析样片的可视化效果，将块状煤样通过制片参数确定模型确定出块状煤样的制片参数，并将块状煤样依据制片参数进行制片得到块状煤样的锗元素分析样片；
步骤S2、利用图像识别算法构建出LA-ICP-MS Mapping区域的区域选取模型，以保障LA-ICP-MS Mapping区域的元素多样性，将块状煤样的锗元素分析样片通过区域选取模型在块状煤样的锗元素分析样片中确定出LA-ICP-MS Mapping区域；
步骤S3、应用LA-ICP-MS Mapping技术对LA-ICP-MS Mapping区域进行剥蚀分析，以去除表层制样残渣，再选择内外标法对LA-ICP-MS Mapping区域中的锗元素进行分析；
步骤S4、基于内外标法的分析结果，对整个LA-ICP-MS Mapping区域进行可视化输出，并同时应用连接在剥蚀系统上的电感耦合等离子体质谱Agilent 7500a工作站对锗元素含量进行定量化分析。
2.根据权利要求1所述的一种煤中锗元素分布可视化输出及定量分析方法，其特征在于：所述利用优化算法构建出锗元素分析样片的制片参数确定模型，包括：
选取多个历史锗元素分析样片，并获得历史锗元素分析样片的制片时长、制片成功率，所述制片成功率是对历史锗元素分析样片表面平整性的量化，将历史锗元素分析样片进行表面网格化处理以在历史锗元素分析样片表面获得一组表面网格，所述制片成功率的计算公式为：
式中，P为历史锗元素分析样片的制片成功率，Li为历史锗元素分析样片表面上第i个表面网格中心点处的高度值，n为历史锗元素分析样片表面上的表面网格数量；
将多个历史锗元素分析样片的制片时长作为第一输出项，将多个历史锗元素分析样片的制片厚度和历史锗元素分析样片对应的历史煤样的外形参数作为第一输入项，利用BP神经网络基于所述第一输出项和第一输入项进行卷积训练得到制片时长测算模型，所述制片时长测算模型为：
T＝BP(S,h)；
式中，T为制片时长，S为历史煤样的外形参数，h为制片厚度，BP为BP神经网络；
将多个历史锗元素分析样片的制片成功率作为第二输出项，将多个历史锗元素分析样片的制片厚度和历史锗元素分析样片对应的历史煤样的外形参数作为第二输入项，利用BP神经网络基于所述第二输出项和第二输入项进行卷积训练得到制片成功率测算模型，所述制片成功率测算模型为：
P＝BP(S,h)；
式中，P为制片成功率，S为历史煤样的外形参数，h为制片厚度，BP为BP神经网络；
将制片时长和制片成功率分别作为优化指标，并将最小化制片时长和最大化制片成功率构成所述制片参数确定模型，所述制片参数确定模型的模型表达式为：
式中，min为最小化运算符，max为最大化运算符；
将制片厚度大于制片激光束直径作为制片参数确定模型的求解范围，并在求解约束范围中对制片参数确定模型进行优化求解得到制片厚度。
3.根据权利要求2所述的一种煤中锗元素分布可视化输出及定量分析方法，其特征在于：所述将块状煤样通过制片参数确定模型确定出块状煤样的制片参数，包括：
测量块状煤样的外形参数，并将块状煤样的外形参数输入至制片参数确定模型，由制片参数确定模型确定出块状煤样的制片参数。
4.根据权利要求3所述的一种煤中锗元素分布可视化输出及定量分析方法，其特征在于：所述将块状煤样依据制片参数进行制片得到块状煤样的锗元素分析样片，包括：
利用制片激光束将块状煤样进行激光剥蚀、双面抛光至与制片厚度相符的块状煤样的锗元素分析样片。
5.根据权利要求4所述的一种煤中锗元素分布可视化输出及定量分析方法，其特征在于：所述利用图像识别算法构建出LA-ICP-MS Mapping区域的区域选取模型，包括：
在历史锗元素分析样片中选取出包含多种矿物组分的表面区域标记为历史LA-ICP-MSMapping区域，并将历史锗元素分析样片的表面图像作为图像识别算法YOLO V5的输入项，将历史LA-ICP-MS Mapping区域的位置信息作为图像识别算法YOLO V5的输出项；
利用图像识别算法YOLO V5基于所述图像识别算法YOLO V5的输入项和图像识别算法YOLO V5的输出项进行模型训练得到在锗元素分析样片中识别出包含多种矿物组分的表面区域的区域选取模型，所述区域选取模型的模型表达式为：
G＝YOLO V5(H)；
式中，G为位置信息，H为表面图像，YOLO V5为图像识别算法YOLO V5。
6.根据权利要求5所述的一种煤中锗元素分布可视化输出及定量分析方法，其特征在于：所述将块状煤样的锗元素分析样片通过区域选取模型在块状煤样的锗元素分析样片中确定出LA-ICP-MS Mapping区域，包括：
获取块状煤样的锗元素分析样片的表面图像，将块状煤样的锗元素分析样片的表面图像输入至区域选取模型，由区域选取模型输出块状煤样的锗元素分析样片中确定出LA-ICP-MS Mapping区域；
其中，若确定出LA-ICP-MS Mapping区域数量不唯一，则选取表面平整性最高的LA-ICP-MS Mapping区域。
7.根据权利要求6所述的一种煤中锗元素分布可视化输出及定量分析方法，其特征在于：所述应用LA-ICP-MS Mapping技术对LA-ICP-MS Mapping区域进行剥蚀分析，包括：
将预剥蚀厚度设定为10微米，依据设定的预剥蚀厚度对LA-ICP-MS Mapping区域进行表层预剥蚀，以去除表层制样残渣；
在完成表层预剥蚀的LA-ICP-MS Mapping区域上进行表层正式剥蚀，以在LA-ICP-MSMapping区域上获得激光点位分布。
8.根据权利要求7所述的一种煤中锗元素分布可视化输出及定量分析方法，其特征在于，所述选择内外标法对LA-ICP-MS Mapping区域中的锗元素进行分析，包括：
将标定元素设置为铝元素，外标物质选用NIST610中的铝元素进行分析，锗元素为目标元素，选择砷元素作为对照实验元素；
基于外标物质中的元素信号和激光点位中的元素信号得出：
锗元素含量＝激光点位中铝元素信号值/外标物质中铝元素信号值*外标物质中已知锗元素含量；
砷元素含量＝激光点位中铝元素信号值/外标物质中铝元素信号值*外标物质中已知砷元素含量。
9.根据权利要求8所述的一种煤中锗元素分布可视化输出及定量分析方法，其特征在于，所述基于内外标法的分析结果，对整个LA-ICP-MS Mapping区域进行可视化输出，包括：
基于每个激光点位的锗元素含量和锗元素含量，应用ps工具对每个激光点位进行拼接整合，对整个LA-ICP-MS Mapping区域进行可视化输出。
10.根据权利要求9所述的一种煤中锗元素分布可视化输出及定量分析方法，其特征在于，所述LA-ICP-MS Mapping区域的区域面积限制在5mm*5mm以下。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211046918.0A CN115452928A (zh) | 2022-08-30 | 2022-08-30 | 一种煤中锗元素分布可视化输出及定量分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211046918.0A CN115452928A (zh) | 2022-08-30 | 2022-08-30 | 一种煤中锗元素分布可视化输出及定量分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115452928A true CN115452928A (zh) | 2022-12-09 |
Family
ID=84301895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211046918.0A Pending CN115452928A (zh) | 2022-08-30 | 2022-08-30 | 一种煤中锗元素分布可视化输出及定量分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115452928A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004347473A (ja) * | 2003-05-22 | 2004-12-09 | Tdk Corp | Ｌａ−ｉｃｐ−ｍｓ装置を用いた定量分析方法および有機物含有成形体の製造方法 |
| CN104950036A (zh) * | 2015-07-15 | 2015-09-30 | 中国科学院上海硅酸盐研究所 | YAG材料中掺杂元素Nd的激光剥蚀-电感耦合等离子体质谱定量分析方法 |
| CN105572215A (zh) * | 2015-12-15 | 2016-05-11 | 中国科学院上海硅酸盐研究所 | 一种氟化铅晶体中元素含量及分布的测定方法 |
| CN109596699A (zh) * | 2018-11-12 | 2019-04-09 | 中国计量科学研究院 | 稀土单元素溶液标准物质及其制备 |
| CN113177919A (zh) * | 2021-04-28 | 2021-07-27 | 成都艾立本科技有限公司 | Libs与深度学习结合的岩性分类及主量元素含量检测方法 |
| US20210358731A1 (en) * | 2020-05-13 | 2021-11-18 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Method for simultaneously measuring the value of forsterite and trace elements in olivine |
-
2022
- 2022-08-30 CN CN202211046918.0A patent/CN115452928A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004347473A (ja) * | 2003-05-22 | 2004-12-09 | Tdk Corp | Ｌａ−ｉｃｐ−ｍｓ装置を用いた定量分析方法および有機物含有成形体の製造方法 |
| CN104950036A (zh) * | 2015-07-15 | 2015-09-30 | 中国科学院上海硅酸盐研究所 | YAG材料中掺杂元素Nd的激光剥蚀-电感耦合等离子体质谱定量分析方法 |
| CN105572215A (zh) * | 2015-12-15 | 2016-05-11 | 中国科学院上海硅酸盐研究所 | 一种氟化铅晶体中元素含量及分布的测定方法 |
| CN109596699A (zh) * | 2018-11-12 | 2019-04-09 | 中国计量科学研究院 | 稀土单元素溶液标准物质及其制备 |
| US20210358731A1 (en) * | 2020-05-13 | 2021-11-18 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Method for simultaneously measuring the value of forsterite and trace elements in olivine |
| CN113177919A (zh) * | 2021-04-28 | 2021-07-27 | 成都艾立本科技有限公司 | Libs与深度学习结合的岩性分类及主量元素含量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10274414B2 (en) | Particle processing systems and methods for normalization/calibration of same | |
| CN101975818B (zh) | 特征物质的检测系统及方法 | |
| CN109064553B (zh) | 基于近红外光谱分析的实木板材节子形态反演方法 | |
| CN115019171B (zh) | 非接触式围岩快速分区分级方法 | |
| CN108844941B (zh) | 一种基于拉曼光谱和pca-hca的不同品位磷矿的鉴别和分类方法 | |
| CN102749046A (zh) | 岩体结构面直剪试验中剪切面积的测量方法 | |
| CN114813457B (zh) | 一种用于悬浮细胞培养的实时监测系统及方法 | |
| CN105445441A (zh) | 储层含气饱和度确定方法及装置 | |
| CN104655607B (zh) | 一种浮选泡沫层硫化锑矿物品位检测方法 | |
| CN107703097A (zh) | 利用衰减全反射探头与近红外光谱仪构建快速预测原油性质的模型的方法及其应用 | |
| CN108573105A (zh) | 基于深度置信网络的土壤重金属含量检测模型的建立方法 | |
| CN105092436A (zh) | 一种沉积物粒度光谱分析方法及装置 | |
| CN107860743A (zh) | 利用反射式近红外光纤探头构建快速预测原油性质的模型的方法及其应用 | |
| CN105223140A (zh) | 同源物质的快速识别方法 | |
| CN103927547A (zh) | 一种用于对岩屑荧光图像进行快速分析方法 | |
| CN106777707A (zh) | 一种利用改进的蜘蛛网图进行测井岩性定量识别的方法 | |
| CN115452928A (zh) | 一种煤中锗元素分布可视化输出及定量分析方法 | |
| CN110751048A (zh) | 基于图像特征自动选择谱线的激光探针分类方法及装置 | |
| CN105590018A (zh) | 砂泥岩薄互层油藏的油水层判别方法 | |
| CN115773993A (zh) | 奶酪营养成分快速检测方法 | |
| CN114066818B (zh) | 细胞检测分析方法、装置、计算机设备和存储介质 | |
| CN108645865A (zh) | 一种基于ccd的埋弧焊钢管焊缝焊偏量参数的测量方法 | |
| CN108398318A (zh) | 基于数字图像相关技术确定岩石表面裂缝类型与分布的方法及装置 | |
| CN103364023A (zh) | 一种基于总体最小二乘的仪表图像中心点提取方法 | |
| CN108955560B (zh) | 一种槭属种子形态测定及分析方法 |
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 |