一种基于高光谱成像和人工智能的新型无损检测方法，用于测定水泥浆回填材料的单轴抗压强度

《NDT & E International》：A novel non-destructive testing method for the uniaxial compressive strength of cemented paste backfill based on hyperspectral imaging and artificial intelligence

非破坏性检测|水泥浆体回填|单轴抗压强度|高光谱成像|人工智能

　　

青娜|邱松陈|王道林|潘吉龙|陶云波|吴爱香

中南大学资源与环境工程学院，中国长沙，410083

摘要

准确快速地评估水泥浆体回填材料（CPB）的单轴抗压强度（UCS）对于确保地下采矿的安全和高效至关重要。然而，传统的UCS测试方法基于接触、具有破坏性且耗时较长，这严重限制了实时UCS监测和现场回填质量控制的快速反馈。为了克服这些限制，本研究创新地将高光谱成像（HSI）技术引入到实时、原位的UCS监测中，通过将HSI与人工智能结合，建立了一种无损检测（NDT）方法。共测试了120组CPB样本，其质量浓度范围为61–73%，养护龄期为3–28天，以获取UCS数据及其对应的高光谱数据。分析了不同浓度下CPB的光谱响应特性，发现反射率随浓度增加而逐渐升高，并在1400纳米和1950纳米附近观察到两个明显的吸收峰。二维相关光谱分析表明，在浓度干扰下，1900纳米处的光谱灵敏度最高，1600纳米处最低。随后，使用PSO-SVM-Bagging算法研究了各种光谱预处理技术和特征提取算法对UCS预测精度的影响。结果表明，2nd D-SG-Nor + UVE模型的性能最佳，其R²值为0.9487，RPD值为4.4132。确定了对UCS预测最关键的三个波长分别为1855.24纳米、1240.29纳米和1589.91纳米。最后，比较PSO-SVM-Bagging算法和CNN-LSTM算法后发现，PSO-SVM-Bagging方法具有更高的准确性和泛化能力。本研究验证了基于HSI的智能建模作为CPB UCS NDT方法的可行性和科学价值，为地下采矿中的实时监测、现场反馈和智能调节回填性能提供了实用途径。

引言

矿产资源作为经济和社会发展的基础要素，在支持工业增长方面发挥着关键作用，但其开采也带来了环境管理方面的重大挑战[[1], [2], [3]]。其中一个最紧迫的问题是尾矿产量的几何级增长。在这种情况下，水泥浆体回填材料（CPB）凭借其“资源回收和安全管理”的双重功能，成为解决采矿生态管理挑战的关键技术突破[[4], [5], [6]]。

CPB是一种复合材料，通过混合尾矿、水和特定比例的粘合剂制成，以达到预定的强度[[7], [8], [9]]。其主要功能是支撑已开采区域，从而减轻由应力集中引起的地面塌陷和沉降风险。如果CPB的强度不足，将无法发挥这一支撑作用，可能导致重大经济损失和严重的安全事故，包括人员伤亡[10]。因此，特定养护龄期的单轴抗压强度（UCS）是评估CPB质量的重要指标[11,12]。

目前，CPB的UCS通过破坏性测试和无损检测（NDT）方法来确定[13]。破坏性测试是传统方法，需要对标准试样施加单轴压力直至破坏，以获得其峰值强度[14,15]。对于原位CPB结构，通常需要使用钻机提取芯样。这种方法的显著缺点是采样过程本身会扰动CPB结构，导致测得的强度偏离真实的原位值。此外，在大规模测试中，这种方法明显耗时且劳动强度大。

NDT技术用于在不损坏试样的情况下评估CPB的力学性能。常见的NDT方法包括超声波脉冲速度（UPV）[16]、电阻率（ER）[17]、电磁（EM）波[18]、X射线计算机断层扫描（CT）[19]和核磁共振（NMR）[20]。例如，XUE等人[21]利用CT和SEM研究了内部微观结构与强度特性之间的关系。Y?lmaz等人[22]探讨了各种因素对UPV的影响，并建立了UPV值与UCS之间的线性相关性。同样，Deng等人[23]基于多方面分析开发了一个UCS预测模型，整合了UCS测试、NMR、孔隙度测量以及孔隙结构的分形特性，使用无害孔隙比和有害孔隙分形维度作为预测变量。尽管这些研究为无损评估奠定了重要基础，但这些技术在原位UCS测量中的实际应用仍受到很大限制，主要是由于仪器要求的高精度以及对样本几何形状（包括横截面平整度和整体完整性）的严格要求。

此外，人工智能（AI）技术越来越多地被应用于预测CPB的UCS[24,25]。例如，Zhang等人[26]使用尾矿底流速、浆体浓度、水泥含量和养护时间作为输入参数来预测UCS。他们的研究评估了四种神经网络架构的预测性能：反向传播神经网络（BPNN）、径向基函数神经网络（RBFNN）、门控循环神经网络（GRNN）和长短期记忆（LSTM），发现LSTM模型表现最佳。在另一项研究中，Min等人[27]研究了UCS与多种因素之间的关系，包括磷石膏的pH值和电导率（EC）、CPB混合物的pH值、砂土比、浆体浓度和养护时间。虽然AI在预测CPB强度方面显示出相当大的潜力[28,29]，但重要的是要认识到UCS受到多种变量复杂耦合效应的影响，如矿石性质、尾矿级配、粘合剂类型和比例以及养护条件。因此，仅依赖固定参数集的强度预测模型在泛化能力和实际应用方面存在固有局限性。

高光谱成像（HSI）是一种以其快速性、精确性和非侵入性而闻名的NDT技术，因此在多个领域得到广泛应用[30]。其应用包括医学诊断[31]、土木工程[32,33]、食品质量分析[34,35]和农业监测[36]。HSI的强大之处在于它能够同时捕获二维空间信息和一维光谱数据。这种光谱特征是由入射电磁辐射与材料表面的相互作用产生的。在这种激发下，分子结构发生电子跃迁，产生特征吸收光谱，从而实现化学成分的识别和定量分析[37]。在基于水泥的材料领域，已有研究基于机器学习（ML）和HSI的组合提出了预测水泥样品质量损失的方法[38]。还实现了水含量分布和渗透深度变化的实时跟踪[39]。另有研究[40]提出了一种创新的无损检测方法，用于在不同处理条件下检测水化过程的发展。HSI还在近红外范围（1000–1700纳米）得到发展，用于评估粗粒再生混凝土骨料表面的残余砂浆含量[41]。此外[42]展示了HSI技术在评估含有BFS的水泥砂浆中水渗透深度的应用，而这些是通过标准水分指示剂无法检测到的。

尽管HSI在采矿回填领域的应用已得到验证，但这一领域的探索仍十分有限。为了填补这一研究空白，本研究收集了不同浓度和不同养护周期制备的CPB样本的全面强度和高光谱数据集。首先分析了不同混合比例下的光谱响应特性，随后通过将HSI技术与机器学习和深度学习算法结合，建立并验证了一种新的CPB UCS预测模型。该方法为无损表征回填强度提供了稳健的框架。本研究的主要贡献如下：

1)

开发了一种基于HSI的NDT框架，结合AI来预测CPB的UCS，与传统机械测试相比，实现了快速且完全无损的强度评估。

2)

利用二维相关光谱（2D-COS）阐明了光谱响应与CPB力学性能之间的关系，明确了光谱特性如何随粘合剂浓度变化。

3)

建立了一个优化的HSI–AI建模流程，整合了光谱预处理、特征选择和先进的学习算法（CNN-LSTM和PSO-SVM-Bagging），预测精度高达94.87%。

实验材料

本研究使用的主要实验材料包括尾矿、粘合剂材料和水。尾矿来自江西的一家铁矿。使用普通波特兰水泥42.5（P.O 42.5）作为粘合剂材料。使用BT-9300ST激光粒度分析仪（由丹东Bettersize Instruments Ltd制造）和D8 Advance X射线衍射仪（由Bruker AXS GmbH制造）分析了尾矿的粒度分布和矿物组成，具体结果如图所示

CPB的UCS

图4显示了不同浓度和养护时间下CPB的UCS变化情况。从图4可以看出，CPB的UCS随着养护时间的增加而持续提高。以73%的浓度为例，3天和28天时的UCS分别为1.59 MPa和3.32 MPa（见图5(a)），增长率约为108%。这是因为随着养护时间的延长，水泥水化反应更加完全，产生了更多的水化产物，如钙

讨论

结果证实，HSI是一种高效且精确的NDT技术，适用于CPB的UCS评估，其中PSO-SVM-Bagging + 2nd D-SG-Nor + UVE模型的性能最佳（R² = 0.9487，RPD = 4.4132，见图13）。得益于去噪光谱和二次导数预处理后的紧凑特征空间以及UVE波段选择，SVM能够在相对较小的数据集上有效建模光谱反射率与UCS之间的非线性关系。相比之下，CNN-LSTM

结论

本研究创新性地利用HSI技术预测CPB的UCS，并研究了不同光谱预处理和特征提取方法下的预测模型性能。主要结论如下：

(1)

随着CPB浓度的增加，光谱反射率逐渐升高。在整个光谱范围内观察到两个明显的吸收峰，分别位于1400纳米和1950纳米附近。这些峰与材料的拉伸和弯曲行为有关

作者贡献声明

青娜：撰写 – 审稿与编辑，撰写 – 原稿撰写，数据整理，概念构思。邱松陈：监督，项目管理，资金获取，数据整理，概念构思。王道林：撰写 – 原稿撰写，方法论研究，数据整理。潘吉龙：撰写 – 审稿与编辑，方法论研究，概念构思。陶云波：可视化处理，软件应用，方法论研究，形式分析。吴爱香：撰写 – 原稿撰写，监督，资源协调，

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了国家自然科学基金（编号：52274151和52474165）的资助。