基于可見光—近紅外光譜特征的BIF鐵礦原位測定方法

何 群 王 東 劉善軍 毛亞純 孫厚廣 孫銘辰

（1.東北大學資源與土木工程學院，遼寧沈陽110819；2.鞍山鋼鐵集團鞍千礦業公司，遼寧鞍山114043）

鐵礦是支撐國民經濟的主要礦產資源，條帶狀鐵建造（BIF）（又稱為“鞍山式”鐵礦）是世界上最重要的鐵礦資源類型，全球范圍內廣泛分布，資源量占世界鐵礦總儲量的60%。我國鐵礦儲量位列世界第五，僅次于俄羅斯、澳大利亞、巴西和加拿大，其中條帶狀鐵建造（BIF）資源量約占國家鐵礦總儲量的50%［1］，開采方式以露天開采為主。目前，露天鐵礦采場品位確定以傳統化驗方法為主，主要方法有高錳酸鉀滴定法［2］、抗壞血酸滴定法［3］、電位滴定法［4］、微型滴定法［5］等。該類方法為點式采樣，采樣密度偏低，導致礦體邊界圈定不夠準確，易增大礦石損失率和貧化率，并且在配礦時由于室內化驗周期長、效率低、品位測試結果滯后等因素，易導致選廠指標發生波動，使得配礦質量受到影響。現階段，一些礦山采用了X射線熒光光譜分析法測定礦石成分及含量［6］，雖然該方法具有快速、便捷、不接觸樣品等特點，但僅能測定化學元素及其含量，無法獲取礦物成分及含量，并且為提高測試精度需要將樣品磨制成一定粒度的粉末樣品，同樣存在效率低、精度不高等不足。

近年來，國際礦產品價格波動明顯，為及時有效適應價格波動，及時調整開采品位，從而合理利用礦產資源，降低開采成本，提高生產效率，實現礦山快速、高效、精準開采和合理配礦，對合理高效的巖礦測定方法進行研究十分必要。隨著遙感技術的興起，利用可見光、近紅外以及熱紅外光譜進行巖礦成分測定開始得到研究，但主要應用于地質探礦領域［7-8］，并且大多針對粉末狀樣品，對于塊狀巖礦原位測定方面的研究尚未有重大突破。為此，本研究選擇鞍千露天鐵礦為試驗場，通過現場典型樣品采集、光譜測試、模型建立、模型驗證等試驗流程，揭示不同巖礦類型的光譜特征，建立礦石品位與光譜特征之間的聯系，對BIF鐵礦快速原位測定方法進行研究。

1 樣品采集與測試

1.1 典型樣品采集與加工

為構建不同巖礦的光譜識別模型，在鞍千露天礦現場采集了不同品位的磁、赤鐵礦樣本2.9 t，同時又采集了典型圍巖樣品，包括綠泥石片巖、云母片巖、混合花崗巖、千枚巖、斜長角閃巖等主要圍巖1.2 t。對采集的赤鐵礦、磁鐵礦以及圍巖樣品進行鉆孔取芯，而后進行切割，形成直徑6 cm、厚度為2 cm的圓形薄片。將制作的圓形薄片樣品平均分為2個部分，一部分進行光譜測試，另一部分進行化學成分測試。為確保樣品具有代表性，樣品切割時要求垂直于礦石條帶，保證樣品的光譜測試面具有均勻條帶。本研究共制作了300件薄片樣品，如圖1所示。

1.2 樣品化學成分測試

從制作的樣品中挑選了80件典型鐵礦石樣品進行了化學成分測試，結果見圖2。

分析圖2可知：①樣品SiO2含量較高，基本大于50%，且與礦石鐵（Fe2O3+Fe3O4）含量成負相關關系；②當樣品Fe3O4含量為0～15%時，Fe2O3含量變化無明顯規律，兩者關系不明顯，當Fe3O4含量大于15%時，隨著Fe3O4含量增加，Fe2O3含量呈減小趨勢；③當Fe3O4含量小于30%時，CaO、MgO含量較小，當Fe3O4含量大于30%時，CaO、MgO含量增大，但兩者總量不超過4%；④樣品成分（S、Mg、Ai等）含量較少，總量一般小于1%。

1.3 樣品光譜測試

對本研究制作的巖礦樣品（包括赤鐵礦、磁鐵礦以及綠泥石片巖、云母片巖、混合花崗巖、千枚巖、斜長角閃巖）采用SVCHR-1024便攜式地物光譜儀進行光譜測試，測試波段范圍為0.35～2.5μm，屬于可見光—近紅外光譜，光譜分辨率小于8.5 nm。為降低氣溶膠和太陽輻射傳播路徑的影響，光譜測試在晴天10∶00～14∶00進行，太陽高度角約45°。測量時確保樣品觀測面保持水平，光譜儀鏡頭與觀測面基本垂直。將采樣積分時間設置為3 s，每件樣品重復測試2次，取其反射率平均值［9］。

試驗樣品的反射光譜測試結果如圖3～圖5所示，由于1.8μm波段后受結合水或水汽影響，光譜毛刺較多，波動較大，因此對其不予分析。

由圖3、圖4可知：赤鐵礦樣品光譜特征為：在350～934 nm波段范圍內呈現較平緩的下滑特征，934～1 244 nm波段范圍內呈現較明顯的上升趨勢，1 244 nm波段以后呈現整體緩和趨勢，由于試驗樣品中含有水（包括孔隙水和結晶水），于1 380 nm波段處出現比較顯著的波谷，且在1 400 nm波段處波動較大；磁鐵礦樣品的光譜特征為：在350～1 800 nm波段范圍內呈現整體下降趨勢，1 000 nm以后波段呈現較平緩的趨勢，由于試驗樣品含有部分水（包括孔隙水和結晶水），于1 380 nm波段處出現波谷，但波谷深度明顯小于赤鐵礦樣品的波谷深度；2種鐵礦石類型的光譜反射率值均低于40%，350～1 800 nm波段內的最高反射率為36.16%，出現于波長1 250 nm左右處。

通過對比分析赤鐵礦樣品與磁鐵礦樣品的光譜特征，可知兩者區別主要為：①350～934 nm波段內，赤鐵礦樣品的光譜曲線下滑趨勢較磁鐵礦樣品的下滑趨勢顯著；②934～1 244 nm波段內，赤鐵礦樣品的光譜曲線呈現上升趨勢，磁鐵礦樣品的光譜曲線繼續呈現下滑趨勢，且逐漸趨于平緩；③赤鐵礦樣品和磁鐵礦樣品的光譜曲線均于1 380 nm波段處出現波谷，但赤鐵礦樣品波谷深度明顯大于磁鐵礦樣品波谷深度。

分析圖5可知：①綠泥石片巖、斜長角閃巖、云母片巖三者的光譜特征相似，光譜曲線變化趨勢基本一致，光譜特征曲線在350～500 nm波段范圍呈現上升趨勢，于500 nm波段處形成1個波峰，而后于500～1 120 nm波段范圍呈現下降趨勢，在1 120～1 800 nm波段范圍呈現出輕緩上升趨勢；②花崗巖光譜特征表現在350～500 nm波段范圍內較平緩，500～630 nm波段范圍呈現上升趨勢，630～1 120 nm波段范圍呈現輕緩下降趨勢，1 120～1 800 nm波段范圍內較平緩；③千枚巖光譜特征表現為整體反射率值較低，位于15%以下，光譜特征曲線在350～1 120 nm波段范圍呈現輕緩下降趨勢，1120～1 800 nm波段范圍內較平緩；④5種圍巖均于1 380 nm波段處出現1個波谷，且于1 400 nm波段處出現較顯著的小范圍震蕩現象［10］。

與鐵礦石的光譜特征相比，綠泥石片巖、斜長角閃巖、云母片巖樣品的光譜特征曲線在350～500 nm波段范圍呈現上升趨勢，鐵礦石光譜特征曲線于該波段范圍呈現下降趨勢，據此可以與鐵礦石進行區分。花崗巖光譜特征曲線在500～630 nm波段范圍呈現上升趨勢，鐵礦石的光譜特征曲線在該波段范圍呈現下降趨勢，據此可以與鐵礦石進行區分。千枚巖與磁鐵礦的光譜特征極為相似，光譜曲線變化趨勢一致，但是兩者在770～890 nm波段范圍內的光譜反射率下降速率有一定區別，通過設定閾值可以與鐵礦石進行區分。

2 鐵礦類型識別和分類模型構建與驗證

由圖3～圖5可知：2種鐵礦（磁鐵礦與赤鐵礦）與5種圍巖之間的光譜特征存在顯著差異，本研究根據該類差異，構建巖礦識別和分類模型，巖礦識別流程如圖6所示。首先依據圍巖樣品與鐵礦石樣品之間的光譜特征差異，將鐵礦石樣品從圍巖中分離出來；然后依據赤鐵礦樣品與磁鐵礦樣品的光譜特征差異，對提取出的鐵礦石樣品進行赤鐵礦、磁鐵礦區分識別。

如圖3～圖5所示，赤鐵礦與圍巖光譜特征的主要區別在于980～1 120 nm波段范圍內光譜特征曲線斜率（K980～1120）的不同，赤鐵礦光譜曲線在該波段內的斜率為正，而圍巖光譜特征曲線在該波段內的斜率為負。磁鐵礦在350～500 nm波段范圍的光譜特征曲線斜率（K350～500）均為負，綠泥石片巖、斜長角閃巖、云母片巖在350～500 nm波段范圍的光譜特征曲線斜率（K350～500）為正，花崗巖在500～630 nm波段范圍的光譜特征曲線斜率（K500～630）為正；磁鐵礦光譜與千枚巖在770～890 nm波段范圍內的光譜特征曲線下降速率不同。根據上述分析，本研究構建的鐵礦石識別模型可描述為

式中，2個條件為“或”的關系，即只要滿足其中1個條件即為鐵礦石。

在鐵礦石識別的基礎上，依據赤鐵礦樣品與磁鐵礦樣品的光譜特征差異，對第一步提取出的鐵礦石樣品進行赤鐵礦、磁鐵礦區分。由圖3、圖4可知：赤鐵礦光譜特征曲線在934～1 244 nm波段范圍呈明顯上升趨勢，磁鐵礦光譜特征曲線在該波段范圍呈平緩下滑趨勢，據此構建了歸一化差異鐵指數（Normalized differenceiron index，NDII）［9-10］

式中，R934為934 nm波段處的反射率值；R1244為1 244 nm波段處的反射率值。

依據赤鐵礦樣品光譜NDII大于0、磁鐵礦樣品光譜NDII小于0的特征，構建的赤鐵礦、磁鐵礦區分識別模型為

經過上述流程，即可將鐵礦石樣品從各類圍巖樣品中識別出，并對鐵礦石樣品進行礦石類型區分。

為驗證模型的準確性，在300件樣品中除去建模樣品后，在剩余樣品中挑選了174件樣品，其中鐵礦石樣品108件，圍巖樣品66件。將樣品平均分為6組，每組29件樣品（其中，磁鐵礦樣品7件、赤鐵礦樣品11件、圍巖樣品11件）。根據圖1及式（1）～式（3）對樣品進行了識別和分類，結果如表1、表2所示。

由表1、表2可知：鐵礦石與圍巖的分類識別正確率平均為97.1%，108件鐵礦石樣品進一步區分為赤鐵礦和磁鐵礦的正確率平均為93.5%。本研究赤鐵礦與磁鐵礦的磁性率分類閾值為28%，鐵礦石磁性率小于28%為赤鐵礦，鐵礦石磁性率大于28%為磁鐵礦，對于磁性率處于28%左右的樣品，光譜曲線趨勢一致，光譜特征差別極小，不易對其進行區分，故而導致模型區分存在一定的誤差。

3 全鐵品位反演模型構建與驗證

偏最小二乘法（Partial least squares，PLS）是一種數學優化技術，通過最小化誤差平方和找到1組數據的最佳函數匹配。該方法是一種集多元線性回歸分析、典型相關分析和主成分分析特點于一身的算法，可有效解決變量之間存在多重相關性或樣本點數過少的回歸分析難題。設有P個自變量{x1，x2，…，xp}和q個{y1，y2，…，yq}因變量，為研究因變量和自變量的統計關系，觀測了n個樣本點，由此構成了自變量與因變量的數據表X和Y。根據偏最小二乘回歸方法原理，首先分別在X與Y中提取出成分t1、u1，t1為{x1，x2，…，xp}的線性組合，u1為{y1，y2，…，yq}線性組合。在提取這2個成分時，為了回歸分析需要，設定：①t1和u1應盡可能多的攜帶它們各自數據表中的變異信息；②t1和 u1的相關程度能夠達到最大［11］。

在第1個成分t1和u1被提取后，采用偏最小二乘回歸分析方法分別實施X對t1的回歸以及Y對t1的回歸。如果回歸方程己經達到滿意的精度，則算法終止；否則，將利用X被t1解釋后的殘余信息以及Y被t1解釋后的殘余信息進行第二輪成分提取［11］，如此往復，直至達到較滿意的精度為止。若最終對X共提取了m個成分t1，t2，…，tm，通過偏最小二乘回歸將通過實施yk（k=1，2，…，q）對t1，t2，…，tm的回歸，最終可表達成yk關于原變量{x1，x2，…，xp}的回歸方程［11］。

以本研究磁鐵礦、赤鐵礦樣本的化學分析數據及可見光—近紅外光譜測試數據為數據源，以偏最小二乘算法為建模方法，構建了關于鐵礦石全鐵質量分數回歸模型。樣本可見光—近紅外光譜范圍為350～1 800 nm，樣本輸入信息是基于選定波段的光譜反射率值，輸出信息為鐵礦石的全鐵質量分數。通過Matlab軟件編程，建模步驟為：①采用批量處理程序，將經過可見光—近紅外光譜測試、預處理后的樣品數據文件合并為1個excel文件；②將礦石的全鐵質量分數信息添加至樣本光譜集合中，確保每件樣品的光譜信息與樣品全鐵品位一一對應；③將前兩步提供的數據讀入Matlab軟件，利用編寫的偏最小二乘算法程序根據樣品的光譜信息與全鐵品位信息構建回歸模型。

在鞍千露天礦重新采集了20件鐵礦石樣品，利用本研究構建的偏最小二乘定量回歸模型對樣品進行了全鐵品位反演，并將結果與礦石品位化驗結果進行了對比，結果如表3所示。由表3可知：利用光譜分析方法構建的偏最小二乘定量回歸模型反演的全鐵品位與礦山實測的鐵礦石品位的誤差平均約3.43%，精度較高。

4 結語

以鞍千露天鐵礦為例，通過現場采樣、光譜測試、模型建立、模型驗證等試驗流程，研究了BIF鐵礦的光譜特征，分析了礦石類型、品位與光譜特征之間的聯系，對BIF鐵礦原位測定方法進行了研究，分別構建了巖礦識別與分類模型以及偏最小二乘法全鐵品位回歸模型。研究表明：利用所構建的巖礦識別與分類模型，不僅可以將鐵礦石從圍巖中區分出，還可以有效識別鐵礦石類型，鐵礦石與圍巖的分類識別正確率為97.1%，赤鐵礦和磁鐵礦的分類識別正確率為93.5%；利用偏最小二乘法建立的全鐵品位回歸模型獲得的全鐵品位反演值與實測值的誤差僅為3.43%，精度較理想。通過采用本研究提出的BIF鐵礦原位測定方法有助于提高采場礦體圈定精度，實現礦山精準開采與合理配礦。