基于太赫兹时域光谱和物理信息机器学习的煤-矸石含量定量预测

《Materials》：Quantitative Prediction of Coal–Gangue Content Using Terahertz Time-Domain Spectroscopy and Physics-Informed Machine Learning

　　

摘要

定量测定煤矸含量对于煤炭高效利用和智能煤矸分选具有重要意义。我们将透射太赫兹时域光谱（THz-TDS）、多域特征融合与机器学习相结合，用于预测煤矸混合物中的矸石质量分数。从不同矸石含量的样品中提取了时域和频域信号、折射率、吸收系数和消光系数以及复介电常数。通过五折交叉验证，对随机森林、支持向量回归、高斯过程回归、人工神经网络以及有效介质理论约束的物理信息神经网络（EMT-PINN）进行比较。EMT-PINN 取得了最佳性能，决定系数（R²）为 0.81 ± 0.15，平均绝对误差（MAE）为 3.17 ± 0.59%，均方根误差（RMSE）为 5.79 ± 0.21%，而随机森林、支持向量回归、高斯过程回归和人工神经网络的决定系数分别为 0.72 ± 0.08、0.61 ± 0.21、0.74 ± 0.11 和 0.64 ± 0.18。这些结果表明，物理信息引导的太赫兹光谱在煤矸混合物的快速且具有物理可解释性的定量表征方面具有应用潜力。