防治煤矿突水时需迅速精准地判别突水水源, 激光诱导荧光(LIF)光谱技术具有灵敏度高、 快速准确监测特点, 为检测突水水源提供了一种新的方法。 该研究引入该技术以获取突水荧光光谱数据。 采用卷积(SG)平滑和多元散射校正(MSC)方法对光谱图进行预处理, 以消除光谱采集过程中噪声干扰。 采用主成分分析(PCA)方法提取特征信息, 针对SG预处理后的数据, 当主成分个数为3时, 累积贡献率可达到99.76%, 已基本保留原数据的全信息。 选择3层结构BP神经网络建立分类判别模型, 通过不同方式构造训练集和测试集, SG预处理数据构建的分类模型可以达到精准判别, 而对于MSC预处理和原始数据出现很少的误判。 实验结果表明SG预处理结果要优于MSC预处理。 研究结果表明, 将PCA和BP神经网络结合建立分类模型, 能有效判别煤矿突水水源, 且具有较强的自组织、 自学习能力。

矿井突水的迅速识别与分类对于井下水灾防治工作有着重要的意义。 提出一种KNN结合PCA运用在激光诱导荧光光谱快速识别矿井突水水源中的新方法。 利用激光器发射激光通过可浸入式探头射入水样, 得到四种突水水样共80组荧光光谱数据, 再分别对每组数据进行预处理, 处理后的数据中每种水样取15组数据作为训练集, 共60组, 其余20组作为预测集。 利用主成分分析(PCA)对数据进行处理, 之后在主成分分析的基础上利用KNN算法进行分类识别。 实验过程中, 各预处理方法在主成分个数为2的情况下, 进行KNN算法分类的正确率都达到100%。

煤矿突水水源类型的快速识别对于煤矿水害预警防治意义重大。 针对传统水化学方法水源识别耗时较长的问题, 提出一种基于激光诱导荧光光谱(LIF)技术与簇类的独立软模式(SIMCA)算法的煤矿突水水源快速识别方法。 激光诱导荧光光谱技术具有分析速度快、 灵敏度高等特点, 在激光器的辅助下, 荧光光谱仪实时采集荧光光谱, 根据水样的荧光光谱即可进行水源类型识别, 在数据库完备的情况下, 只需几秒即可进行煤矿水源判断, 对于煤矿的水害预警以及灾后救援来说意义重大。 实验利用405 nm激光器发射激光, 打入被测水体, 得到五种常见突水水样的共100组荧光光谱, 对各水样的荧光光谱进行光谱预处理。 每种水样使用15组共75组荧光光谱作为预测集, 剩余的25组水样的荧光光谱作为测试集。 利用主成分分析(PCA)分别对五种水样进行建模, 而后依据所建模型进行SIMCA分类。 实验发现不同水样的荧光光谱差异明显, 经过Gaussian-Filter预处理后的荧光光谱, 在主成分数为2, 显著性程度α＝5%的情况下, 利用SIMCA算法进行水样分类, 预测集和测试集的正确率皆为100%。

铁元素吸收是细菌生长的重要限制因素之一。 前期研究推测在水稻白叶枯病菌(Xanthomonas oryzae pv. oryzae, 简称Xoo)中rpfFxoo基因可能参与Fe元素的代谢。 通过同源重组法, 获得了Xoo基因缺失突变体ΔrpfFxoo; 利用原子吸收光谱法测定Xoo野生型菌株PXO99A和ΔrpfFxoo对Fe元素的吸收。 结果表明, 通过对工作条件的优化, 使样品平均回收率达到99.7%, 相对标准偏差(RSD)为1.89; 随着培养时间的延长, PXO99A和ΔrpfFxoo对Fe元素吸收不断增加, ΔrpfFxoo中Fe元素的含量显著低于PXO99A(P＜0.05), 证明rpfFxoo与铁元素的代谢有关。