煤岩显微组分划分
煤显微组分分类

煤显微组分分类
《煤显微组分分类那些事儿》
嘿,咱今天来聊聊煤显微组分分类这档子事儿。
你们知道吗,我有一次去参观一个煤矿博物馆,那可真是大开眼界了呀!一进去,就看到各种关于煤的展示。
我在那看到了一块大大的煤块,黑不溜秋的。
然后听讲解员说,这煤里面啊,可有着不同的显微组分呢!就好像人有不同的性格一样。
有一种叫镜质组的,就像是煤里面的“大明星”,比较常见,也挺重要的。
还有一种惰质组,感觉就像个“小透明”,不太起眼,但也有它的作用呢。
另外还有壳质组,就像是煤世界里的“神秘嘉宾”。
我在那博物馆里,盯着那些煤的样本看了好久好久,越看越觉得神奇。
原来这其貌不扬的煤里面还有这么多门道啊!我当时就想,这大自然可真是太奇妙了,能创造出这么有意思的东西。
后来,我每次看到煤,就会想起在博物馆里的那次经历,想起煤的那些不同的显微组分。
哎呀呀,这煤显微组分分类啊,还真是个有趣的话题呢!
这就是我关于煤显微组分分类的一次特别体验啦,是不是挺有意思的呀!哈哈!。
煤炭报告中煤的物理性质及煤岩特征编写范例

煤炭报告煤的物理性质及煤岩特征编写范例一、物理性质煤田内各煤层煤岩的物理性质基本相同,光泽较暗,为蜡状光泽,黑色,易染手,条痕黑褐–褐色,硬度低,比重中等,性脆易碎,节理发育,钻孔中取出的煤芯样大多呈粉末状,少量呈短柱状,很难见到块状,块状煤样断口平直或粒状为主,局部可见贝壳状。
各煤层煤岩视相对密度大小见表1-1。
两极值注:1、平均值〈样点〉二、宏观煤岩组份及煤岩类型各煤层煤岩组份大致相同,以暗煤为主,次为亮煤,少量镜煤,呈暗淡无光状,断口、节理不明显,条带状结构,层状–块状构造,煤岩类型为半暗型和半亮型。
三、显微煤岩组份及煤岩类型井田内对各煤层采取了煤岩样。
区内各煤层煤岩显微煤岩组分见表1-2,各煤层煤岩中有机质组分占76.97~88.73%,平均93.03%,无机质组分占4.90~14.03%,平均6.97%。
1、煤的有机显微组分井田内各煤层有机质组分均以镜质组分和惰质组分为主,壳质组分少量,无半镜质组分。
表1-2 各煤层煤岩显微组分统计表镜质组分:主要以无结构镜质体中的基质镜质体和碎屑镜质体为主。
基质镜质体油浸反射色为深灰色,不显示细胞结构,表面不纯净且不平整,镜质体大多呈基质状分布,不显突起。
各煤层镜质组分的含量在7.10~66.40%之间。
A5属低镜质组煤,A1、A2、A4属中镜质组煤,仅A3、A6煤层刚刚跨入中高镜质组煤。
惰质组分:以丝质体中的氧化丝质体和碎屑惰质体为主,油浸反射色为白色,氧化丝质体结构保存较完整,突起较高。
各煤层惰质组分的含量在24.90~65.27%之间。
壳质组分:多为孢粉体中的小孢子体,小孢子体呈蠕虫状分布。
各煤层壳质组分的含量在0.00~2.30%之间。
多数煤层属低壳质组煤,仅A3煤层刚刚跨入中低壳质组煤。
2、煤的无机质组分井田内各煤层显微无机质组分主要为碳酸盐类,次为粘土矿物,几乎不含硫化物及氧化硅类。
粘土矿物呈浸染状或薄层状分布于镜质体裂隙间,碳酸盐矿物为方解石脉。
镜煤、亮煤、暗煤、丝炭区别

煤作为一种岩石,人们用肉眼或在显微镜下,可以看出它在组成、结构和物理性质方面有其不同的特点和差异,从这些标志入手,可把煤划分出许多岩石类型。
用肉眼观察时所作出的划分称为宏观煤岩类型,在显微镜下观察时所作的划分称为显微煤岩类型。
根据成因、化学性质和岩石性质,煤可被区分为腐植煤和腐泥煤。
岩石类型(Lithotype of coal)这一术语是指煤层中用肉眼可以识别的不同条带,是用肉眼区分煤的岩石分类的基本组成单位。
表3-4列出了腐植煤和腐泥煤的煤岩类型及其最重要的特征。
表3-4 烟煤的类型和煤岩类型(据E.Stach1992)腐植煤煤层通常由镜煤(光亮条带)、亮煤(半光亮条带)、暗煤(暗淡条带)、和丝炭(矿物木炭)组成。
其中镜煤和暗煤是简单的煤岩类型,亮煤和暗煤是复杂的煤岩类型。
在光泽强度上丝炭和暗煤是暗淡的,镜煤和亮煤则是光亮的。
(一)镜煤镜煤呈黑色、深黑色,光泽强,明亮如镜,因而得名;是煤中颜色最深、光泽最强的类型。
其质地纯净而均匀,以贝壳状或眼球状断口和垂直的内生裂隙发育为特征,性脆,但脆度次于丝炭,易破碎成棱角状小块,在煤中常呈透镜状或条带状,有时线理状夹在亮煤和暗煤中。
镜煤的颜色、光泽和内生裂隙数目均随煤化程度变化而有规律地变化。
在显微镜下观察,煤镜轮廓清楚,质地纯净,主要是木质纤维组织经过凝胶化作用形成的,也是一种简单的煤岩类型(结构镜质体和均质镜质体等组成)。
镜煤的挥发分和氢含量高,粘结性强,矿物质含量较少。
(二)亮煤亮煤是煤中最常见的煤岩类型。
其光泽仅次于镜煤,性较脆,内生裂隙较发育,密度较小,有时有贝壳状断口。
其均一程度不如镜煤,往往可见细微纹理,在煤层中常呈较厚的分层或透镜状出现。
在显微镜下观察,亮煤的组分也比较复杂,与暗煤相比,亮煤中的镜质组较多,而壳质组和惰质组较少。
亮煤的各种物理、化学和工艺性质多介于镜煤和暗煤之间。
(三)暗煤暗煤的颜色为灰黑、暗黑,光泽暗淡,致密坚硬,韧性较大,密度大,内生裂隙不发育,层理不清晰,断面粗糙,断口呈不规则状或平坦状。
显微煤岩组分的识别

具体分类如下: 首先以挥发分把硬煤划分为0~9共10个类 别,而6~9类煤需再按恒湿(30℃,相对湿度96%时)无 灰基煤的高位发热量的大小来划分类别。在1类煤中,又 按挥发分划分为A、两个小组。A组煤的Vdaf>3%~6.5%,B 组煤的Vdaf>6.5%~10%。 然后在上述0~9类硬煤中,再 按煤的黏结性指标(自由膨胀序数或罗加指数)划分为 0~3共4个组别。
二、实验仪器和工具
(1)透射光显微镜、 反射光显微镜(带油浸物镜):
(2)标准煤薄片、 煤光片:
(3)载玻片、橡皮泥、洗耳球、 擦镜质:
(4)香柏油(n=1.515)
四、实验内容 1.识别镜质组显微煤岩特征 镜质组是煤的主要显微组分。低变质程度的 烟煤中镜质组在透射光下,为橙红、
褐红色。在反射光下为灰色。油浸反射光下 为深灰色。
色变为白色;透光色变深,
由橙红色变为棕色,直至
在煤化作用过程中
不透明;正交偏光下光学 光性变化不及镜质组明
下呈灰黑色到深灰色, 反射率比其他显微组分 都低,突起由中高突起
各向异性明显增强
显
降到微突起。
在油浸反射光下,颜
具有明显的荧光性。
色稍浅、反射力稍强略显 突起
煤化度增加,荧光强度减 弱,直至消失
思考题
1.在光学显微组分下如何区分 镜质组、稳定组和惰性组?
2.不同煤化程度煤的显微组分 特征有哪些?
煤岩分析

煤是一种固体可燃有机岩。
煤岩学是把煤作为一种有机岩石,以物理方法为主研究煤的物质成分、结构、性质、成因及合理利用的科学。
有以下几种分类方式:1.镜煤镜煤的颜色深黑、光泽强,是煤中颜色最深和光泽最强的成分。
镜煤特点:①质地纯净,结构均一,具贝壳状断口和内生裂隙。
②镜煤性脆,易碎成棱角状小块。
③在煤层中,镜煤常呈凸透镜状或条带状,条带厚几毫米至1~2cm,有时呈线理状存在于亮煤和暗煤之中。
镜煤的显微组成单一,主要是植物的木质显微组织经凝胶化作用形成的。
性质:V、H高,粘结性强,矿物质含量少2.丝炭外观象木炭,颜色灰黑,具明显的纤状结构和丝绢光泽,丝炭疏松多孔,性脆易碎,能染指。
丝炭的胞腔有时被矿物质充填,称为矿化丝炭,矿化丝炭坚硬致密,比重较大。
在煤层中丝炭的数量一般不多,常呈扁平透镜体,在显微镜下观察,丝炭的显微组成也是单一的,是简单的煤岩成分,主要是植物木质纤维组织在缺水的多氧环境中缓慢氧化或由于森林火灾所形成。
特点:①在煤层中,丝炭常呈扁平透镜体沿煤层的层理面分布,厚度多在1~2mm至几毫米之间,有时能形成不连续的薄层;个别地区,丝炭层的厚度可达几十厘米以上。
②丝炭的孔隙度大,吸氧性强,丝炭多的煤层易发生自燃。
性质:致密坚硬、比重大,H低、C高,V低,无粘结性,可选性差,孔隙大。
3.亮煤亮煤的光泽仅次于镜煤,一般呈黑色,亮煤的组成比较复杂。
它是在覆水的还原条件下,由植物的木质纤维组织经凝胶化作用,并掺入一些由水或风带来的其它组分和矿物杂质转变而成。
特点:①较脆易碎,断面比较平坦,②比重较小。
③亮煤的均一程度不如镜煤,表面隐约可见微细层理。
④亮煤有时也有内生裂隙,但不如镜煤发育。
⑤常呈较厚的分层,有时甚至组成整个煤层。
在煤层中,亮煤是最常见的宏观煤岩成分。
亮煤的性质接近镜煤,但质量比镜煤差。
4.暗煤暗煤的光泽暗淡,一般呈灰黑色。
暗煤的组成比较复杂。
它是在活水有氧的条件下,富集了壳质组、惰性组或掺进较多的矿物质转变而成。
基于空洞卷积自注意力机制的煤岩显微组分组识别模型

第51卷第2期2024年北京化工大学学报(自然科学版)Journal of Beijing University of Chemical Technology (Natural Science)Vol.51,No.22024引用格式:吴明阳,奚峥皓,陈军然,等.基于空洞卷积自注意力机制的煤岩显微组分组识别模型[J].北京化工大学学报(自然科学版),2024,51(2):120-129.WU MingYang,XI ZhengHao,CHEN JunRan,et al.A coal maceral group recognition model based on a dilated convolu⁃tional self⁃attention mechanism [J].Journal of Beijing University of Chemical Technology (Natural Science),2024,51(2):120-129.基于空洞卷积自注意力机制的煤岩显微组分组识别模型吴明阳1 奚峥皓1* 陈军然1 徐国忠2(1.上海工程技术大学电子电气工程学院,上海 201620;2.辽宁科技大学化学工程学院,鞍山 114051)摘 要:基于深度学习的识别模型是目前解决煤岩显微组分组识别问题的主要手段,但这些模型在计算过程中参数不断堆叠,导致模型的算力需求增加,影响模型的训练效率㊂针对上述问题,构建了一种基于空洞卷积自注意力(DCSA)机制的改进Swin⁃Transformer 模型 DA⁃ViT㊂首先,为了在加强煤岩显微组分组图像的局部特征信息的同时保留其二维空间信息,提出了DCSA 机制,通过对煤岩显微图像的大尺寸卷积核进行多尺度分解,加强了煤岩显微图像不同区域像素之间的联系,显著降低了图像注意力的参数量,降低率为81.18%㊂然后,为了加强煤岩显微组分组图像间的形态特征关联性,将DCSA 和改进的Swin⁃Transformer 框架相结合,提出了DA⁃ViT 识别模型㊂实验验证结果表明,与现有的其他识别模型相比,DA⁃ViT 模型在提高预测结果准确率的同时,可显著降低模型的算力需求,其像素准确率(PA)和平均交并比(mIoU)的最大值分别为92.14%和63.18%,模型参数总量(Params)和浮点运算次数(FLOPs)的最小值分别为4.95×106和8.99×109㊂关键词:空洞卷积;自注意力机制;煤岩显微组分组;识别模型中图分类号:TQ533.6;TP391.4 DOI :10.13543/j.bhxbzr.2024.02.013收稿日期:2023-07-19基金项目:国家自然科学基金(12104289)第一作者:男,1998年生,硕士生*通信联系人E⁃mail:zhenghaoxi@引 言煤炭作为一种重要的化石燃料,在解决能源需求方面发挥着重要作用,广泛应用于发电㊁炼焦㊁化工等领域[1],为人们的日化用品提供了必要的原材料,在目前和未来相当长的一段时间内依然是能源体系的核心[2]㊂为了区分煤炭的优劣并提高其利用效率,可以通过镜质体反射率和煤岩显微组分组的分析对煤的性质和用途进行分级评定[3]㊂其中,煤岩显微组分组分析技术是利用偏光显微镜对煤岩样品的形态㊁结构㊁反射率㊁颜色和纹理等特征进行观察,并对不同组分组进行定性和定量的分析方法,该方法为煤炭的燃烧㊁利用和污染控制等提供了可参考的指标支持,是煤岩质量㊁煤炭地质研究的重要手段[3-5]㊂煤岩显微图像较为复杂,并且不同组分组的显微图像之间有较大的差异性,对显微组分组的识别㊁分析主要依靠人工完成,结果易受操作人员的经验和主观性影响,并且需要消耗大量的时间㊂针对上述问题,基于机器学习的图像处理方法被应用于显微组分组的分析,并取得了较好的研究结果[6]㊂王培珍等[7]从煤岩图像中提取灰度共生矩阵等特征构建了初始特征集,然后采用主成分分析法进行降维处理,使用支持向量机(SVM)算法实现了对镜质组的分类,对基质镜质体㊁均质镜质体和镜屑体的分类准确率可达100%㊂Khandelwal 等[8]设计了一种融合帝国竞争算法和人工神经网络的专家系统(ICA⁃ANN),并利用该系统对印度煤岩的成分进行了估计,与传统的人工神经网络算法相比,ICA⁃ANN 的拟合系数R 2达到0.982㊂宋孝忠等[9]设计了一种显微图像自动采集和识别系统,基于K 均值聚类实现了煤岩显微组分组图像的自动分割和识别,该方法测定的镜质组㊁惰质组㊁壳质组的极差平均值分别仅为2.3%㊁2.3%㊁1.5%㊂此外,宋孝忠[10]针对煤岩显微组分组存在的假边界问题,采用Prewitt算子对10个不同变质阶段的煤样进行边缘检测,通过剔除假边界提高了识别准确性,剔除假边界后镜质组的平均极差由剔除前的4.7%降至1.8%㊂Onifade等[11]采用多输入单输出白盒人工神经网络(MISOWB⁃ANN)㊁多元线性回归(MLR)和多元非线性回归(MNLR)等方法对来自威特班克(Witbank)煤田的煤岩成分进行识别,并比较了各方法之间的差异及效率,结果表明MI⁃SOWB⁃ANN模型在预测煤岩成分和总矿物质含量方面比其他模型更可靠,R2可达0.995㊂虽然以上研究获得了较好的结果,但是采用机器学习方法进行煤岩显微组分组分析需要大量的经验和相关领域知识,并且模型的泛化能力较差㊂为了弥补机器学习方法在解决煤岩显微组分组分割和识别问题上的不足,基于深度学习的识别模型逐渐受到人们的关注㊂Ronneberger等[12]利用U⁃Net卷积网络,通过U⁃Net的U型结构和跳跃连接方式,在保证识别准确率的同时降低了训练数据量的需求㊂Vaswani等[13]基于注意力机制提出了一种新型神经网络架构Transformer,对后续的深度学习模型研究产生了深远影响㊂Lei等[14]在U⁃Net的基础上,提出融合注意力门(attention gate)来抑制无关信息,与机器学习方法相比,该方法提高了煤岩显微组分组的识别效果㊂Fan等[15]使用多种变体U⁃Net 对煤岩显微组分组的颗粒形貌㊁粒度㊁解离特性和密度分离过程进行了研究,在这些变体模型中,Res⁃Unet在交并比(IoU)㊁准确率等指标上的表现最佳,而TransUnet在不同组分组分割效果上的表现最佳㊂但是基于U⁃Net的优化模型都受到感受野固定的限制,对高分辨率煤岩显微组分组图像的处理能力较弱㊂Chen等[16]将编码器㊁解码器结构与Atrous卷积㊁深度可分离卷积相结合提出了DeepLabv3+模型,并证明了该模型对VOC2012和Cityscapes数据集的有效性㊂Wang等[17]将DeepLabv3+模型用于煤岩显微组分组的识别,通过空洞卷积扩大了模型在煤岩显微图像上的感受野,组分组的识别准确率相比U⁃Net模型有了明显改善㊂但是DeepLabv3+模型为了捕捉更多的上下文信息,会产生过高的计算复杂度,对于高分辨率煤岩显微图像的处理较为困难㊂近年来,Dosovitskiy等[18]提出了视觉Trans⁃former(Vision Transformer,ViT)模型,该模型完全基于Transformer架构,将图像分割成16×16像素的小块,然后利用注意力机制处理图像块,ViT模型在多个公共数据集上的准确率超过了传统的卷积模型㊂Liu等[19]基于ViT设计了Swin⁃Transformer模型,并利用其移位窗口实现了对高分辨率图像的处理,在ImageNet⁃1K数据集上该模型的准确率可达87.3%㊂胡晋玮等[20]将DeepLabv3+和Swin⁃Transformer模型相结合,提出了改进的煤岩显微组分组自动化测试模型,与现有的先进算法相比,该模型可提高复杂煤岩显微图像的识别效果㊂但是由于Swin⁃Transformer模型中的自注意力机制会将图像转化成一维序列进行处理,处理过程中损失了煤岩显微图像的二维空间特征信息㊂为此,研究者们提出了用大卷积核的卷积自注意力代替传统自注意力的方法[21-22],这种方法可以通过自注意力机制保留煤岩显微组分组全局像素之间的长程依赖关系,同时保留卷积提取得到的煤岩显微图像局部特征信息,但是会带来参数量过多㊁计算成本较高的问题㊂针对上述问题,本文提出了一种用于提取煤岩显微组分组特征的空洞卷积自注意力(dilated conv⁃olutional self⁃attention,DCSA)机制,DCSA融合了卷积提取的显微组分组局部特征信息和自注意力提取的显微组分组图像全局像素之间的长程依赖关系,同时保留了煤岩显微图像通道维度的适应性,避免了大卷积核参数爆炸的问题㊂然后,以DCSA为核心构建了一种轻量化的煤岩显微图像识别模型 Dilated Attention Vision Transformer(DA⁃ViT),并对该模型进行了实验验证,与目前用于煤岩显微组分组识别任务的模型相比,本文提出的模型在提高识别准确率的同时,可大大降低参数量和算力需求㊂1 DA⁃ViT模型的建立1.1 空洞卷积目前,深度学习是处理煤岩显微图像识别任务的主流方法[13,15-16],这种方法往往利用传统卷积运算将煤岩显微图像的特征信息进行压缩,通过不断地进行下采样,降低对细节信息的依赖,获得更强的感受野,以实现模型对煤岩显微图形更好的理解,提升煤岩显微图像识别的准确率㊂但是在相邻像素特征的提取过程中,传统的卷积运算会产生很大程度的重叠运算,导致模型运算存在冗余,降低了深度学习的计算效率㊂㊃121㊃第2期 吴明阳等:基于空洞卷积自注意力机制的煤岩显微组分组识别模型为了解决上述问题,Yu 等[23]提出了在卷积核内部设定扩张率r 的空洞卷积,图1为r =2时的空洞卷积示意图㊂由图1可见,空洞卷积可以提取更大范围的特征,这在一定程度上解决了显微图像复杂性较大的问题[24]㊂为了提取不同范围的特征信息,往往采用融合不同尺度空洞卷积的方式,即结合不同r 的空洞卷积㊂图1 空洞卷积示意图Fig.1 Diagram of the dilated convolution图2 注意力和多头注意力机制示意图Fig.2 Schematic diagrams of the attention andmulti⁃head attention mechanisms1.2 空洞卷积自注意力机制由于煤岩显微图像中不同组分组的过渡结构受位置㊁温度㊁采掘㊁制作等多方面的影响,组分组间的关联性较低,而卷积运算更专注于局部信息,有限的感受野容易忽略图像中的全局信息㊂针对上述问题,本文采用图像注意力机制[18]来获取全局像素点之间的长程依赖关系,以加强煤岩显微图像不同区域像素间的联系㊂注意力机制通过计算注意力分数并加权将Q (Query)㊁K (Key)㊁V (Value)映射到输出,输出表征了不同部分对当前部分的相对重要性,其示意图见图2(a),映射公式见式(1)㊂基于注意力机制的多头注意力机制将图像特征映射到多组Q ㊁K ㊁V 中,通过并行计算多个注意力权重然后再拼接的方式,来捕捉输入中不同方面的信息,其示意图见图2(b)㊂Attention(Q ,K ,V )(=softmax QK Td )kV(1)式中:d k 为输入Q 和K 的维度,T 表示转置㊂传统的图像自注意力机制如图3所示,该机制是根据自注意力[13]来获取长程依赖,但其序列处理忽略了图像的二维信息,也忽略了通道维度的适应性㊂为此,研究者提出了大卷积核的卷积自注意力[21-22],但卷积核的尺寸与识别准确率相关,同时也带来大量的模型参数㊂图3 传统的自注意力机制示意图Fig.3 Schematic diagram of the traditionalself⁃attention mechanism 为了在保证识别准确度的同时降低参数量㊁算力及硬件需求,本文将图像注意力机制与不同尺度的空洞卷积相结合,提出空洞卷积自注意力机制DCSA,其示意图见图4㊂DCSA 将大卷积核分解为3部分:绿色的短程信息卷积(short⁃range information convolution,SI⁃Conv)㊁蓝色的中程空洞卷积(medi⁃um⁃range dilation convolution,MD⁃Conv)和黄色的长程空洞卷积(long⁃range dilation convolution,LD⁃Conv)㊂其中,SI⁃Conv 示意图如图5所示,MD⁃Conv 和LD⁃Conv 可以通过改变卷积核大小和扩张率r 得到,其基本结构与SI⁃Conv 相似㊂DCSA 在保留自注意力长程依赖性的同时,加强了图像二维信息的获取,从而得到不同范围的长程信息,然后将其融合,计算得到注意力图,通过DCSA 可以保留多方向的连续空间信息㊂对于K d ×K d 的空洞卷积,其感受野层面的等效卷积核尺寸为:K′d =K d +(K d -1)×(r -1)㊂通过DCSA 分解,可以大幅度降低参数量,同时保留原有尺寸卷积核带来的感受野[25],参数量的降低率ρ可以由式(2)计算得到㊂㊃221㊃北京化工大学学报(自然科学版) 2024年图4 DCSA 示意图Fig.4 Schematic diagram ofDCSA图5 SI⁃Conv 示意图Fig.5 Schematic diagram of SI⁃Convρ=1-∑3m =1K m ×K m ×CH o ×W o ×C(2)图6 注意力模块示意图Fig.6 Schematic diagram of the attention module式中:K m 为不同尺度的分割,C 为通道数,H o ㊁W o 为大卷积核的尺寸㊂在本文中,虽然长程依赖关系可以提升整体准确率,但是距离中心像素越远的像素之间的关系对准确率的贡献越小[26],因此采用一个19×19×C 的大卷积核将其分解为3×3×C 的SI⁃Conv㊁5×5×C 的MD⁃Conv 和7×7×C 的LD⁃Conv,参数量的降低率ρ为81.18%㊂以本文提出的DCSA 为核心所组成的注意力模块如图6所示㊂注意力模块由3个不同的模块层组成:批量归一化层(batch normalization)㊁Attention 层和前馈网络层(feed⁃forward network,FFN)㊂其中,Attention 层的核心为DCSA 模块,它首先提取局部信息,然后通过多尺度空洞卷积(图4)进行多分支特征提取,最后通过1×1卷积对不同通道的信息进行融合,从而增强模型的通道适应性,其结果即为计算得到的注意力图㊂由DCSA 计算得到的注意力图的Att 表达式如式(3)所示,根据Att 与输入加权得到的结果如式(4)所示㊂Att =Conv (1×1∑r =1,2,3s =3,5,7Conv s ×s (Conv 5×5(Input ),r )+Conv 5×5(Input ))(3)Output =Att ⊗Input(4)式中:Conv s ×s 表示卷积核大小为s ×s 的卷积,r 表示扩张率,⊗表示矩阵逐元素乘法运算㊂1.3 基于DCSA 机制的DA⁃ViT 模型由于煤岩显微图像的分辨率为2048×1536,在同一尺度下进行识别任务不仅无法关注图像整体,而且还提高了模型整体的算力需求㊂此外,不同煤岩显微图像之间的形态特征关联性较差,单一尺度的网络结构无法同时关注到显微组分组的细节形㊃321㊃第2期 吴明阳等:基于空洞卷积自注意力机制的煤岩显微组分组识别模型状和整体结构,导致组分组的识别准确率下降㊂本文在Swin⁃Transformer[19]的框架结构中融合DCSA,提出了多尺度的DA⁃ViT模型,如图7所示㊂其中, H和W分别为煤岩显微图像的长度和宽度,C为通道数,L n(n=1,2,3,4)为各个Stage的DCSA模块数量㊂DA⁃ViT模型通过Swin⁃Transformer的多尺度网络结构关注煤岩显微图像不同层面的特征,并且利用DCSA获取这些特征在不同尺度上的依赖信息㊂图7 DA⁃ViT结构示意图Fig.7 Schematic diagram of the DA⁃ViT structure 在编码器(Encoder)部分,本文延用如图7所示的Swin⁃Transformer的4层金字塔结构㊂其中,Stage1和Stage2提取煤岩显微组分组的边界㊁纹理㊁形状等特征,Stage3和Stage4提取煤岩显微组分组的整体结构㊁语义信息等高级特征㊂所有Stage均通过DCSA模块来捕捉煤岩显微图像不同范围像素之间的依赖关系㊂分辨率在4层金字塔结构中逐层递减,分别为H/4×W/4㊁H/8×W/8㊁H/16×W/16㊁H/32×W/32㊂在图像分辨率减小的同时,通道数C有所增加㊂在解码器(Decoder)部分,本文采用了一个轻量级解码头[27],其对于识别任务的特征还原是足够强大的,可有效提高模型的性能和效率[16,26,28-29]㊂同时,在解码器中添加跳跃连接,通过融合Stage2至Stage4的特征信息来提高解码效果㊂因此,本文基于轻量级解码头结合跳跃连接的方式设计了解码器,不同网络规模下Stage的通道数C和DCSA模块数量L n的设置如表1所示㊂2 实验验证2.1 数据采集实验所用的煤岩显微组分组样本均为合作单位采集,包含60个不同变质程度的单种煤样本,样本表1 不同规模网络的参数设置Table1 Parameter settings of different scale networks参数数值Tiny Small BaseC326464L1323L2323L35412L4223采集和制样过程均遵循GB/T8899 2013[30]进行,样本的镜质体反射率在0.61%~1.70%之间㊂数据样本的图像由Axioskop40型光学显微镜(蔡司公司)在黄色滤镜下放大500倍获得,分辨率为2048×1536,格式为RGB㊂根据煤岩显微组分组的分类标准GB/T15588 2013[31],将煤岩显微图像的类别分为镜质组㊁惰质组㊁壳质组㊁矿物质和黏合剂㊂实验中,3位专家分别对79张数据样本进行像素级标注,然后对每一个样本综合3位专家的标注,从而得到最终数据集㊂煤岩显微组分组的数据样本如图8所示㊂2.2 数据预处理深度学习在训练过程中会出现过拟合或欠拟合的问题,主要原因是训练数据过少和模型复杂度过低㊂为了避免出现此类问题,本文对数据集㊃421㊃北京化工大学学报(自然科学版) 2024年图8 煤岩显微图像Fig.8 Microscopic images of the coal进行3步预处理,每一步均生成多张增强的数据样本,其中的补全步骤采用移动最小二乘(MLS)策略㊁随机伽马校正和直方图均衡化相结合的方法[14],并通过人工数据清洗的方式剔除具有相似特征的图像,最终将数据集样本扩充至7900张,具体步骤如下:(1)将原图像按照512×512的像素比例进行随机裁剪;(2)对裁剪后的图像的对比度和亮度按照0.8~1.2倍随机修改,并随机进行翻转; (3)按照0.8~1.2倍进行随机缩放,缩小时对尺寸不足的部分使用镜像补全,放大时对尺寸过大的部分进行裁剪,使图像的像素保持在512×512㊂2.3 实验条件与参数设置实验基于OpenMMLab下的MMSegmentation完成,硬件使用Intel i7⁃10700K CPU和NVIDIA Ge⁃Force GTX3080GPU,软件使用Cuda11.3㊁Pytorch 1.11.0和Python3.8㊂实验中各模型最多训练300个epoch,批量大小为8,优化器使用AdamW,初始学习率为10-3,损失函数使用交叉熵损失函数,训练结果均选取300个epoch中的最佳结果㊂实验结果均通过五折交叉验证得到,将结果取平均值以得到最终评估结果㊂2.4 评价指标本文采用两个常用识别指标和两个模型指标对整体性能进行评价,分别为像素准确率(pixel accu⁃racy,PA)㊁平均交并比(mean intersection over union, mIoU)㊁模型参数总量(Params)和浮点运算次数(floating point operations,FLOPs)㊂PA和mIoU用于评估模型预测结果的准确性,可以反映模型的识别效果,其计算公式如下㊂PA=∑k i=0P ii∑k i=0∑k j=0P ij×100%(5)mIoU=1k+1∑k i=0P ii∑k j=0P ij+∑k j=0P ji-P ii×100%(6)式中:k为煤岩显微组分组的类别总数,P ii为真实值为第i类并被预测为第i类的像素,P ij为真实值为第i类并被预测为第j类的像素,P ji为真实值为第j 类并被预测为第i类的像素㊂Params和FLOPs分别用于评估模型的参数量和计算复杂度㊂Params表示模型中需要学习的参数数量,FLOPs表示执行模型所需的计算量,两者反映了模型整体的大小以及模型的复杂度和计算资源需求㊂2.5 实验结果2.5.1 不同模型的图像识别效果比较采用本文所提出的DA⁃ViT模型对预处理的煤岩显微图像数据集进行识别,并与现有的应用于煤岩显微组分组的识别模型全卷积神经网络(FCN)[32]㊁U⁃net[12]㊁DeepLabv3+[16]进行可视化对比,结果如图9所示㊂可以看出,DA⁃ViT模型对图像的细节分割更丰富,对边界的分割更准确㊂此外,本文还将DA⁃ViT模型与FCN㊁U⁃net㊁DeepLabv3+以及目前先进的语义分割模型Swin⁃Transformer[19]㊁Pyramid Vision Transformer v2(PVTv2)[33]㊁Conv⁃NeXt[34]㊁Visual Attention Network(VAN)[35]进行性能对比,各模型的性能评价指标如表2所示㊂其中, PVTv2⁃B0㊁PVTv2⁃B1㊁PVTv2⁃B2为不同规格的PVTv2模型,VAN⁃B0㊁VAN⁃B1㊁VAN⁃B2为不同规格㊃521㊃第2期 吴明阳等:基于空洞卷积自注意力机制的煤岩显微组分组识别模型的VAN 模型,DA⁃ViT⁃Tiny㊁DA⁃ViT⁃Small㊁DA⁃ViT⁃Base 为不同规格的DA⁃ViT 模型,ConvNeXt⁃T 为Tiny 规格的ConvNeXt 模型㊂由表2可见:DA⁃ViT⁃Tiny 模型的参数量Params 和计算量FLOPs 均显著低于其他模型,分别为4.95×106和8.99×109;DA⁃ViT⁃Base 模型的像素准确率PA 和平均交并比mIoU 最大,分别达到92.14%和63.18%㊂以上结果表明本文提出的DA⁃ViT 模型优于其他模型㊂图9 不同模型对煤岩显微组分组的识别结果比较Fig.9 Comparison of recognition results of different models for coal maceral groups表2 不同模型的性能评价指标Table 2 Performance evaluation indicators ofdifferent models模型PA /%mIoU /%Params /106FLOPs /109FCN81.4148.3749.49197.70U⁃net86.2252.4129.06202.61DeepLabv3+88.5959.6343.58176.24PVTv2⁃B089.3760.597.5323.68VAN⁃B088.9560.927.9725.48DA⁃ViT⁃Tiny 90.3261.704.958.99PVTv2⁃B190.0761.1417.7431.83VAN⁃B190.2062.4417.6034.29DA⁃ViT⁃Small 91.1762.6514.7418.77Swin⁃Transformer 89.3061.3659.94236.08PVTv2⁃B290.7962.0729.1041.54VAN⁃B291.2462.3130.3147.41ConvNeXt⁃T91.8362.7560.13233.47DA⁃ViT⁃Base92.1463.1827.5732.05 粗体字表示本文所提出的模型及其评价指标㊂2.5.2 混淆矩阵分析本文通过混淆矩阵来评估每个单一组分的识别效果㊂将DA⁃ViT⁃Tiny 模型与目前表现最优的煤岩显微组分组识别模型DeepLabv3+[16]的混淆矩阵进行对比,结果如图10所示㊂结果表明,DA⁃ViT 模型对煤岩显微组分组的识别效果好于DeepLabv3+模型,对惰质组的识别效果有显著提升㊂2.5.3 DCSA 各模块的消融实验结果为了证明DCSA 中每个模块都是有效的,本文对DCSA 中的3个独立模块(LD⁃Conv㊁MD⁃Conv和图10 DeepLabv3+模型和DA⁃ViT⁃Tiny 模型的混淆矩阵Fig.10 Confusion matrices of the DeepLabv3+model andDA⁃ViT⁃Tiny modelSI⁃Conv)进行了消融实验,实验统一使用Tiny 结构,结果见表3㊂其中, only ”表示保留单一模块, w/o”表示去除单一模块㊂由表3可见,DA⁃ViT⁃Tiny㊃621㊃北京化工大学学报(自然科学版) 2024年表3 不同模块的消融实验结果Table3 Ablation experimental results ofdifferent modules模块PA/%mIoU/%Params/106FLOPs/109 only SI⁃Conv87.8060.954.828.73 only MD⁃Conv88.3861.224.858.79 only LD⁃Conv89.4661.624.898.87 w/o SI⁃Conv89.9361.684.938.95 w/o MD⁃Conv89.6761.634.908.90 w/o LD⁃Conv88.9161.574.878.82 w/o1×1Conv89.2061.584.958.72 DA⁃ViT⁃Tiny90.3261.704.958.99中每个模块的准确率均较高,参数量和计算量较小㊂2.5.4 不同尺寸等效卷积核的消融实验结果不同尺寸的等效卷积核对模型性能有影响㊂本文对3种不同尺度的等效卷积核进行实验:小等效卷积核由3×3的SI⁃Conv㊁3×3的MD⁃Conv 和3×3的LD⁃Conv组成,等效卷积核K=7;大等效卷积核由5×5的SI⁃Conv㊁7×7的MD⁃Conv和9×9的LD⁃Conv组成,等效卷积核K=25;本文所提DA⁃ViT模型的等效卷积核K=19㊂消融实验统一使用Tiny结构,结果见表4㊂由表4可见,过小的卷积核虽然在一定程度上减少了参数量,但会导致模型的准确率下降,原因是过小的卷积核在模型的中低层会放弃更多的关联信息,损失大量的长程依赖信息㊂而过大的等效卷积核(K=25)与K=19相比没有显著提升模型的准确率,但增加了多余的参数,原因是在深度学习中模型的深层对特征提取的作用大于低层,但由于模型多层下采样的结构设计,过大的等效卷积核在模型的深层是过剩的,因此难以提升模型的准确率㊂表4 不同尺寸等效卷积核的消融实验结果Table4 Ablation experimental results of equivalentconvolution kernels with different sizesK PA/%mIoU/%Params/106FLOPs/109 787.2359.974.868.80 1990.3261.704.958.99 2590.3861.625.069.223 结论(1)针对煤岩显微图像复杂性较大和不同组分组显微图像之间差异性较大的问题,提出一种避免损失二维空间信息并获取全局像素点间长程依赖关系的改进的空洞卷积自注意力机制㊂通过图像注意力机制可以获取长程依赖关系,有效加强煤岩显微图像不同区域像素之间的联系,并通过对大尺寸卷积核进行多尺度分割,显著降低卷积自注意力的参数量,降低率为81.18%㊂(2)针对煤岩显微组分组识别模型中算力需求过大和不同煤岩显微组分组图像间形态特征关联性较差的问题,在DCSA的基础上改进了Swin⁃Trans⁃former的框架结构,提出了DA⁃ViT识别模型,该模型在维持模型预测结果准确率的同时极大降低了模型的算力需求㊂实验验证结果表明,DA⁃ViT模型的各项评价指标均取得了较好的结果,其中PA和mIoU的最大值分别为92.14%和63.18%,Params 和FLOPs的最小值分别为4.95×106和8.99×109,优于其他模型㊂参考文献:[1] TANG Y G,LI R Q,WANG S Q.Research progress andprospects of coal petrology and coal quality in China[J].International Journal of Coal Science&Technology,2020,7(2):273-287.[2] DAI S F,FINKELMAN R B.Coal as a promising source ofcritical elements:progress and future prospects[J].Interna⁃tional Journal of Coal Geology,2018,186:155-164. [3] HOU C L,JIANG B,LIU H W,et al.The differences ofnanoscale mechanical properties among coal maceralgroups[J].Journal of Natural Gas Science and Engineer⁃ing,2020,80:103394.[4] MAO N,BAI H C,GENG C,et al.Insights into the mi⁃cro⁃structures and reactive behaviors of coal vitrinite andinertinite macerals with CuFe2O4in chemical loopingcombustion[J].Sustainable Energy Technologies and As⁃sessments,2022,52:102164.[5] BURNHAM A K.Kinetic models of vitrinite,kerogen,and bitumen reflectance[J].Organic Geochemistry,2019,131:50-59.[6] WANG H D,LEI M,CHEN Y L,et al.Intelligent iden⁃tification of maceral components of coal based on imagesegmentation and classification[J].Applied Sciences,2019,9(16):3245.[7] 王培珍,殷子睆,王高,等.一种基于PCA与RBF⁃SVM的煤岩显微组分镜质组分类方法[J].煤炭学报,2017,42(4):977-984.WANG P Z,YIN Z H,WANG G,et al.A classificationmethod of vitrinite for coal macerals based on the PCAand RBF⁃SVM[J].Journal of China Coal Society,2017,㊃721㊃第2期 吴明阳等:基于空洞卷积自注意力机制的煤岩显微组分组识别模型42(4):977-984.(in Chinese)[8] KHANDELWAL M,MAHDIYAR A,ARMAGHANI D J,et al.An expert system based on hybrid ICA⁃ANN tech⁃nique to estimate macerals contents of Indian coals[J].Environmental Earth Sciences,2017,76:399. [9] 宋孝忠,张群.煤岩显微组分组图像自动识别系统与关键技术[J].煤炭学报,2019,44(10):3085-3097.SONG X Z,ZHANG Q.Automatic image recognition sys⁃tem and key technologies of maceral group[J].Journal ofChina Coal Society,2019,44(10):3085-3097.(inChinese)[10]宋孝忠.煤岩显微图像假边界对显微组分组自动识别的影响[J].煤田地质与勘探,2019,47(6):45-50.SONG X Z.Effect of false boundary of microscopic image on automatic identification of maceral group[J].Coal Geology &Exploration,2019,47(6):45-50.(in Chinese) [11]ONIFADE M,LAWAL A I,ABDULSALAM J,et al.De⁃velopment of multiple soft computing models for estimating organic and inorganic constituents in coal[J].Internation⁃al Journal of Mining Science and Technology,2021, 31(3):483-494.[12]RONNEBERGER O,FISCHER P,BROX T.U⁃net:convo⁃lutional networks for biomedical image segmentation[C]∥Medical Image Computing and Computer⁃Assisted Inter⁃vention(MICCAI2015).Munich,2015:234-241.[13]VASWANI A,SHAZEER N,PARMAR N,et al.Atten⁃tion is all you need[C]∥31st Conference on Neural Infor⁃mation Processing Systems(NeurIPS2017).Long Beach, 2017.[14]LEI M,RAO Z Y,WANG H D,et al.Maceral groups a⁃nalysis of coal based on semantic segmentation of photomi⁃crographs via the improved U⁃net[J].Fuel,2021,294: 120475.[15]FAN J W,DU M L,LIU L,et al.Macerals particle char⁃acteristics analysis of tar⁃rich coal in northern Shaanxi based on image segmentation models via the U⁃Net vari⁃ants and image feature extraction[J].Fuel,2023,341: 127757.[16]CHEN L C,ZHU Y K,PAPANDREOU G,et al.En⁃coder⁃decoder with atrous separable convolution for seman⁃tic image segmentation[C]∥2018European Conference on Computer Vision(ECCV).Munich,2018:801-818.[17]WANG Y,BAI X F,WU L L,et al.Identification of ma⁃ceral groups in Chinese bituminous coals based on seman⁃tic segmentation models[J].Fuel,2022,308:121844.[18]DOSOVITSKIY A,BEYER L,KOLESNIKOV A,et al.An image is worth16×16words:transformers for imagerecognition at scale[C]∥2021International Conference on Learning Representations(ICLR)(Virtual Event).Vienna,2021.[19]LIU Z,LIN Y T,CAO Y,et al.Swin transformer:hier⁃archical vision transformer using shifted windows[C]∥2021IEEE/CVF International Conference on Computer Vision(ICCV).Montreal,2021:10012-10022. [20]胡晋玮,奚峥皓,徐国忠,等.基于DeeplabV3+改进的煤岩显微组分组自动化测试模型[J].煤田地质与勘探,2023,51(10):27-36.HU J W,XI Z H,XU G Z,et al.An improved automa⁃ted testing model for maceral groups in coals based on DeeplabV3+[J].Coal Geology&Exploration,2023, 51(10):27-36.(in Chinese)[21]WOO S,PARK J,LEE J Y,et al.CBAM:Convolutionalblock attention module[C]∥2018European Conference on Computer Vision(ECCV).Munich,2018:3-19.[22]HU J,SHEN L,ALBANIE S,et al.Gather⁃excite:ex⁃ploiting feature context in convolutional neural networks[C]∥32nd Conference on Neural Information ProcessingSystems(NeurIPS2018).Montreal,2018. [23]YU F,KOLTUN V,FUNKHOUSER T.Dilated residualnetworks[C]∥2017IEEE Conference on Computer Vision and Pattern Recognition(CVPR).Honolulu,2017: 636-644.[24]DONG X H,FU R G,GAO Y H,et al.Remote sensingobject detection based on receptive field expansion block [J].IEEE Geoscience and Remote Sensing Letters, 2022,19:8020605.[25]LUO W J,LI Y J,URTASUN R,et al.Understandingthe effective receptive field in deep convolutional neural networks[C]∥30th Conference on Neural Information Processing Systems(NeurIPS2016).Barcelona,2016.[26]LI K C,WANG Y L,ZHANG J H,et al.UniFormer:u⁃nifying convolution and self⁃attention for visual recognition [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2023,45(10):12581-12600. [27]GENG Z Y,GUO M H,CHEN H X,et al.Is attentionbetter than matrix decomposition?[C]∥2021Interna⁃tional Conference on Learning Representations(ICLR) (Virtual Event).Vienna,2021.[28]XIE E Z,WANG W H,YU Z D,et al.SegFormer:Sim⁃ple and efficient design for semantic segmentation with transformers[C]∥35th Conference on Neural Information Processing Systems(NeurIPS2021).Sydney,2021.[29]GUO M H,LU C Z,HOU Q B,et al.SegNeXt:Rethin⁃king convolutional attention design for semantic segmenta⁃tion[C]∥36th Conference on Neural Information Process⁃㊃821㊃北京化工大学学报(自然科学版) 2024年。
煤岩显微组分划分

煤岩显微组分划分A1 镜质组镜质组是由成煤植物的木质纤维组织,经腐植化作用和凝胶化作用而形成的显微组分组。
在低煤化烟煤中,镜质组的透光色为橙色一橙红色,油浸反射光下呈深灰色,无突起。
随煤化程度增加,反射力增大,反射色变浅,可由深灰色变为白色;透光色变深,可由橙红色变为棕色,直至不透明;正交偏光下光学各向异性明显增强。
镜质组有时具弱荧光性。
根据细胞结构保存程度及形态、大小等特征,分为3个显微组分和若干个显微亚组分。
A1.1 结构镜质体显微镜下显示植物细胞结构的镜质组显微组分(指细胞壁部分)。
根据细胞结构保存的完好程度,又分为2个亚组分。
A1. 1.1 结构镜质体1细胞结构保存完好的结构镜质体。
细胞壁未膨胀或微膨胀,细胞腔清晰可见,细胞排列规则。
细胞腔中空,或为矿物和其他显微组分充填。
A1. 1. 2 结构镜质体2细胞壁强烈膨胀,细胞腔完全变形或几乎消失,但可见细胞结构残迹。
细胞腔闭合后常呈线条状结构。
由树叶形成的结构镜质体2,常具角质体镶边,有时显示团块状结构。
A1.2 无结构镜质体显微镜下不显示植物细胞结构的镜质组分。
根据形态特征,无结构镜质体又分为4个亚组分。
A1.2. 1 均质镜质体在垂直层理切面中呈宽窄不等的条带状或透镜状,均一、纯净.常见垂直层理方向的裂纹。
低煤级烟煤中有时可见不清晰隐结构,经氧化腐蚀,可见清晰的细胞结构。
该组分为镜质组反射率测定的标准组分之一。
A1.2. 2 基质镜质体没有固定形态,胶结其他显微组分或共生矿物。
均匀基质镜质体显示均一结构,颜色均匀;不均匀基质镜质体为大小不一、形态各异、颜色略有深浅变化的团块状或斑点状集合体。
与均质镜质体相比,反射率略低,透光色略浅。
该组分亦为反射率测定标准组分之一。
A1.2. 3 团块镜质体多呈圆形、椭圆形、纺锤形或略带棱角状、轮廓清晰的均质块体。
常充填细胞腔,其大小与细胞腔一致;也可单独出现,最大者可达300 um。
油浸反射光下呈深灰色或浅灰色,透射光下为红色--红褐色。
煤的岩石组成(煤岩学基础)

细胞腔往往被无结构镜质体充填。
精选课件
11
透射光,松柏银杏结构镜质体,横切面示 生长年轮。
精选课件
12
透射光,鳞木结构镜质体
精选课件
13
透射光,真菌结构(镜质)体。
精选课件
14
透射光,科达木结构镜质体,横切面, 正方形或近等径多边形大管腔
精选课件
15
透射光,科达木结构镜质体,径切面,显示 交叉场或紧挤的纹孔
精选课件
16
透射光,结构镜质体(红),树脂体(黄)
精选课件
17
透射光,松柏-银杏结构镜质体,木质部, 胞腔充满树脂体
精选课件
18
透射光,结构镜质体,具有裸子植物单列 射线(长焰煤)
精选课件
19
B、无结构镜质体:经历了强烈的凝胶化作用 在一般反射光和透射光下难以见到植物细 胞结构的凝胶化组分。
精选课件
75
透射光,微暗亮煤;树脂体。
精选课件
76
透射光,树脂体(黄色)
精选课件
77
透射光,树脂体,基质镜质体,小袍子体等
精选课件
78
透射光,树脂体。
精选课件
79
树脂体、基质镜质体,小孢子
精选课件
80
结构镜质体,胞腔充填树脂体
精选课件
81
E、树皮体:细胞壁和细胞腔充填物栓质化 的植物根或茎的皮层的组织。
精选课件
45
C粗粒体:一种无结构或者没有显示结构的 无定形的丝炭作用基质,胶结着孢子体、 角质体、树脂体和丝质体等显微组分。
具有不固定的形态特征,其大小为10~100 微米或更大。
精选课件
46
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
A1 镜质组镜质组是由成煤植物的木质纤维组织,经腐植化作用和凝胶化作用而形成的显微组分组。
在低煤化烟煤中,镜质组的透光色为橙色一橙红色,油浸反射光下呈深灰色,无突起。
随煤化程度增加,反射力增大,反射色变浅,可由深灰色变为白色;透光色变深,可由橙红色变为棕色,直至不透明;正交偏光下光学各向异性明显增强。
镜质组有时具弱荧光性。
根据细胞结构保存程度及形态、大小等特征,分为3个显微组分和若干个显微亚组分。
A1.1 结构镜质体显微镜下显示植物细胞结构的镜质组显微组分(指细胞壁部分)。
根据细胞结构保存的完好程度,又分为2个亚组分。
A1. 1.1 结构镜质体1细胞结构保存完好的结构镜质体。
细胞壁未膨胀或微膨胀,细胞腔清晰可见,细胞排列规则。
细胞腔中空,或为矿物和其他显微组分充填。
A1. 1. 2 结构镜质体2细胞壁强烈膨胀,细胞腔完全变形或几乎消失,但可见细胞结构残迹。
细胞腔闭合后常呈线条状结构。
由树叶形成的结构镜质体2,常具角质体镶边,有时显示团块状结构。
A1.2 无结构镜质体显微镜下不显示植物细胞结构的镜质组分。
根据形态特征,无结构镜质体又分为4个亚组分。
A1.2. 1 均质镜质体在垂直层理切面中呈宽窄不等的条带状或透镜状,均一、纯净.常见垂直层理方向的裂纹。
低煤级烟煤中有时可见不清晰隐结构,经氧化腐蚀,可见清晰的细胞结构。
该组分为镜质组反射率测定的标准组分之一。
A1.2. 2 基质镜质体没有固定形态,胶结其他显微组分或共生矿物。
均匀基质镜质体显示均一结构,颜色均匀;不均匀基质镜质体为大小不一、形态各异、颜色略有深浅变化的团块状或斑点状集合体。
与均质镜质体相比,反射率略低,透光色略浅。
该组分亦为反射率测定标准组分之一。
A1.2. 3 团块镜质体多呈圆形、椭圆形、纺锤形或略带棱角状、轮廓清晰的均质块体。
常充填细胞腔,其大小与细胞腔一致;也可单独出现,最大者可达300 um。
油浸反射光下呈深灰色或浅灰色,透射光下为红色--红褐色。
A1.2. 4 胶质镜质体均一纯净,无确定形态,常充填在细胞腔、裂隙及真菌体和孢粉体的空腔中。
镜下其他光性特征与均质镜质体相似。
A1.3 碎屑镜质体粒径小于10um的镜质组碎屑,多呈粒状或不规则状,偶见棱角状。
常被基质镜质体胶结,并且不易与基质镜质体区分。
A2 惰质组主要由成煤植物的木质纤维组织受丝炭化作用转化形成的显微组分组。
少数惰质组分来源于真菌遗体,或是在热演化过程中次生的显微组分。
油浸反射光下呈灰白色一亮白色或亮黄白色,反射力强,中高突起。
透射光下呈棕黑色一黑色,微透明或不透明。
一般不发荧光。
惰质组在煤化作用过程中的光性变化不及镜质组明显。
根据细胞结构和形态特征等惰质组分为以下若干组分。
A2.1 丝质体油浸反光下为亮白色或亮黄白色,中一高突起,具细胞结构,呈条带状、透镜状或不规则状。
常见细胞结构保存完好,甚至可见清晰的年轮及分节的管胞。
细胞腔一般中空或被矿物、有机质充填。
根据成因和反射色不同分为2个亚组分。
A2.1.1 火焚丝质体植物或泥炭在泥炭沼泽发生火灾时,受高温碳化热解作用转变形成的丝质体。
火焚丝质体的细胞结构清晰,细胞壁薄,反射率和突起很高,油浸反光下为亮黄白色。
A2.1.2 氧化丝质体与火焚丝质体相比,细胞结构保存较差,反射率和突起稍低,油浸反光下为亮白色或白色。
A2.2 半丝质体油浸反光下为灰白色,中突起,呈条带状、透镜状或不规则状。
具细胞结构,有的呈现较清晰的、排列规则的木质细胞结构,有的细胞壁膨胀或仅显示细胞腔的残迹。
A2.3 真菌体来源于真菌菌孢子、菌丝、菌核和密丝组织。
油浸反射光下呈现灰白色、亮白色或亮黄白色,中一高突起,显示真菌的形态和结构特征。
来源于真菌菌孢的真菌体,外形呈椭圆形、纺锤形,内部显示单细胞、双细胞或多细胞结构。
形成于真菌菌核的真菌体,外形呈近圆形,内部显示蜂窝状或网状的多细胞结构。
A2.4 分泌体由树脂、丹宁等分泌物经丝炭化作用形成,因而常被称为氧化树脂体,但它也可能起源于腐植凝胶。
油浸反射光下为灰白色、白色至亮黄白色,中高突起。
形态多呈圆形、椭圆形或不规则形状,大小不一,轮廓清晰。
一般致密、均匀。
根据结构不同可分为无气孔、有气孔和具裂隙的3种。
无气孔的多为较小的浑圆状,表面光滑,轮廓清晰。
有气孔的往往具有大小相近的圆形小孔。
第三种则呈现出方向大约一致或不一致的氧化裂纹。
A2.5 粗粒体油浸反光下为灰白色、白色、淡黄白色,中一高突起,基本上不呈现细胞结构。
有的完全均一,有的隐约可见残余的细胞结构。
通常为不规则的浑圆状单体或不定形基质。
一般大于30um。
A2.6 微粒体油浸反光下呈白灰色一灰白色至黄白色的细小圆形或似圆形的颗粒,粒径一般在1um以下。
常聚集成小条带,小透镜体或细分散在无结构镜质体中。
也常充填于结构镜质体的胞腔内或呈不定形基质状出现。
反射力明显高于镜质组,微突起或无突起。
主要为煤化作用过程中的次生显微组分。
A2.7 碎屑惰质体为惰质组的碎屑成分,粒径小于30um,形态极不规则。
A3 壳质组主要来源于高等植物的繁殖器官、保护组织、分泌物和菌藻类,以及与这些物质相关的降解物。
从低煤级烟煤到中煤级烟煤,壳质组在透射光下呈柠檬黄色一黄色一桔黄色一红色,大多轮廓清楚,外形特征明显;在油浸反射光下呈灰黑色到深灰色,反射率比煤中其他显微组分都低,突起由中高突起降到微突起。
随煤化程度增高,壳质组反射率等光学特征比共生的镜质组变化快,光镜质组反射率达1.4%左右时.壳质组的颜色和突起与镜质组趋于一致;当镜质组反射率大于2.1%以后,壳质组的反射率变得比镜质组还要高,常具强烈的光学各向异性。
壳质组具有明显的荧光性。
从低煤级烟煤到中煤级烟煤,壳质组在蓝光激发下发绿黄色一亮黄色一橙黄色一褐色荧光,随煤化程度增高,荧光强度减弱,直至消失。
A3.1 孢粉体孢粉体是由成煤植物的繁殖器官大孢子、小孢子和花粉形成的,分为2个显微亚组分。
由大孢子形成的孢粉体称为大孢子体。
由于小孢子和花粉在煤垂直层理切片中非常相似,很难区分,故将小孢子和花粉形成的孢粉体统称为小孢子体。
A3.1.1 大孢子体长轴一般大于100um,最大可达5 000~10 000um。
在垂直层理的煤片中,常呈封闭的扁环状。
常有大的褶曲,转折处呈钝圆形。
大孢子体的内缘平滑,外缘一般平整光滑,有时可见瘤状、刺状等纹饰。
A3.1.2 小孢子体长轴小于100um。
在垂直层理的煤片中,多呈扁环状、蠕虫状、细短的线条状或似主角形状。
外缘一般平整光滑,有时可见刺状纹饰。
常呈分散状单个个体出现,有时可见小孢子体堆或囊堆。
A3.2 角质体来源于植物的叶和嫩枝、果实表皮的角质层。
显微镜下角质体呈厚度不等的细长条带。
外缘平滑,而内缘大多呈锯齿状,叶的角质体保存完好时,为上下两片锯齿相对,且末端褶曲处呈尖角状。
一般顺层理分布,有时密集呈薄层状。
角质体可以镶边的形式与镜质组伴生。
根据厚度,可将角质体分为厚壁角质体和薄壁角质体两种。
A3.3 树脂体来源于植物的树脂以及树胶、脂肪和蜡质分泌物。
树脂体主要呈细胞充填物出现,有时也呈分散状或层状出现。
在垂直层理的煤片中,树脂体常呈圆形、卵形、纺锤形等,或呈小杆状。
在透射光下,树脂体多呈淡黄白色、柠檬黄色,也呈橙红色。
油浸反射色深于孢粉体和角质体,多为深灰色,有时可见带红色色调的内反射现象。
一般不显示突起。
A3.4 木栓质体来源于植物的木栓组织的栓质化细胞壁。
细胞腔有时中空,有时为团块状镜质体充填。
常显示叠瓦状构造。
栓质化细胞壁在油浸反射光下呈均一的深灰色,低突起到微突起,在低煤级烟煤中可发较弱的荧光。
A3.5 树皮体可能来源于植物茎和根的皮层组织,细胞壁和细胞腔的充填物皆栓质化。
在油浸反射光下呈灰黑色至深灰色,低突起或微突起。
树皮体有多种保存形态,常为多层状、有时为多层环状或单层状等。
在纵切面上,由扁平长方形细胞叠瓦状排列而成,呈轮廓清晰的块体。
水平切面上呈不规则的多边形。
透射光下呈柠檬黄、金黄、橙红及红色。
具有明显的亮绿黄色、亮黄色至黄褐色荧光,各层细胞的荧光强度不同,荧光色差异较大。
A3.6 沥青质体沥青质体是藻类、浮游生物、细菌等强烈降解的产物。
油浸反射光下呈棕黑色或灰黑色。
没有一定的形态和结构,分布在其他显微组分之间,也见有充填于细小裂隙中或呈微细条带状出现。
微突起或无突起,反射率较低,荧光性弱,呈暗褐色。
A3.7 渗出沥青体渗出沥青体是各种壳质组分及富氢的镜质体,在煤化作用的沥青化阶段渗出的次生物质。
呈楔形或沿一定方向延伸,充填于裂隙或孔隙中,并常与母体相连,其光性特征与母体基本一致或略有差别。
透射光下呈金黄色或橙黄色;蓝光激发下荧光色变化较大,多为亮黄色或暗黄色,多与母体的荧光色相似。
A3.8 荧光体由植物分泌的油脂等转化而成的具强荧光的壳质组分。
在蓝光激发下发很强的亮黄色或亮绿色荧光。
荧光体常呈单体或成群的粒状、油滴状及小透镜状,主要分布于叶肉组织间隙或细胞腔内。
油浸反射光下为灰黑色或黑灰色,微突起,透射光下为柠檬黄色或黄色。
A3.9 藻类体藻类体是由低等植物藻类形成的显微组分,它是腐泥煤的主要组分。
根据结构和形态特征分为2个亚组分。
A3 9.1 结构藻类体普通反射光下为灰色,结构和形态清晰,低一中突起。
油浸反射光下呈灰黑色或黑色,反射率很低。
透射光下色调不均一,多呈柠檬黄色,橙黄色。
兰光激发下发强荧光,结构更加清晰,随煤化程度增高,荧光色由柠檬黄色变化为橙黄色至红褐色。
煤中常见的是由皮拉藻形成的结构藻类体,呈不规则的椭圆形和纺锤形等形状。
在垂直层理切片中,表面呈斑点状、海绵状,边缘呈放射状、似菊花状的群体细胞结构特征。
由轮奇藻形成的结构藻类体较少见,水平切面为中空的环带,边缘呈齿状,在垂直切面上中空部分压实后呈线性。
A3.9.2 层状藻类体细胞结构和形态保存不好,在垂直层理的切面中呈纹层状、短线条状。
油浸反射光下呈黑色至暗灰色,反射率很低。
蓝光激发下荧光色为黄色,桔黄色至褐色。
A3.10 碎屑壳质体粒径小于3um的碎屑状壳质体,常成群出现,在油浸反射光下呈深灰色,反射率低,在蓝光激发下发亮黄色荧光。