基于深度学习与数字图像处理的预处理煤飞灰衍生物高级表征技术及其可持续应用研究

本研究针对煤飞灰(CFA)异质性导致的资源化利用难题，创新性提出"洗涤循环"预处理策略，结合扫描电镜(SEM)和深度学习算法开发了pyDeepP2SA分析工具，实现81.16%的球形颗粒分割精度及176.66 μm平均粒径测定。通过建立12-15 keV背散射电子成像标准，首次系统表征了空心微珠(cenospheres)与实心颗粒的物理特性，为CFA中硅铝铁等元素的回收及沸石合成提供了关键技术支撑，推动燃煤固废向高值化资源转化。

　　

随着全球能源需求持续增长，煤炭作为主要能源在2022年创下历史产量新高。尽管可再生能源快速发展，燃煤电厂仍产生占全球人为CO₂
排放30%的温室气体，并伴随每年超10亿吨煤飞灰(CFA)的堆积。这种富含SiO₂
、Al₂
O₃
及稀土元素的工业副产物，因存在汞污染(57.6-64.3%)和DNA损伤风险，其40%未利用部分成为重大环境隐患。传统CFA应用如水泥添加剂仅发挥其基础价值，而空心微珠(cenospheres)等高价组分的分离技术瓶颈制约着"变废为宝"进程。

斯里兰卡研究人员在《Materials Today Communications》发表的研究中，开发了创新性"洗涤循环"预处理体系。通过去离子水反复洗涤CFA，成功分离出漂浮层空心微珠、元素富集溶液和底部残渣三层组分。研究团队自主开发的pyDeepP2SA软件包，采用零样本泛化深度学习模型实现81.16%的颗粒分割精度，结合奥茨(Otsu)算法完成空心微珠孔隙分析(R²
=0.986)。关键突破在于确立12-15 keV背散射电子成像标准，为非破坏性区分实心/空心颗粒提供新方法。

主要技术方法
研究采集自斯里兰卡Norochcholai电厂的印尼烟煤CFA样本，通过SEM(ZEISS EVO 18)、XRD(Rigaku MiniFlex 600)进行基础表征。采用Python开发的pyDeepP2SA整合了Segment Anything Model(SAM)架构，对15,000+颗粒图像进行形态学分析。元素检测使用ICP-OES，沸石合成采用水热法，所有数据均与专家人工标注结果交叉验证。

研究结果

1. 漂浮颗粒：洗涤产生的漂浮层富含直径176.66 μm的球形颗粒，SEM-BSE成像显示空心微珠壁厚与专家测量高度吻合，验证了深度学习模型的可靠性。
2. 底部残渣：XRD证实该组分适合合成具备分子筛功能的沸石，ICP显示含可提取的Si(28.7wt%)、Al(15.3wt%)及稀土元素。
3. 元素溶液：洗涤液中发现可回收的Fe₂
   O₃
   (9.8wt%)和TiO₂
   (3.2wt%)，为湿法冶金提供原料。

结论与意义
该研究首次系统建立了CFA多组分同步分离-表征技术体系：(1)开发的pyDeepP2SA将颗粒分析效率提升20倍；(2)确定的12-15 keV成像参数填补了空心微珠无损检测标准空白；(3)底部残渣沸石化路径使CFA增值空间提升6%。通过将深度学习与传统表征技术结合，为全球燃煤电厂每年4800万吨未利用CFA的资源化提供了可复制方案，推动实现"双碳"目标下的固废高值转化。