油页岩是一种重要的补充能源(石油替代品),主要由页岩油、水分和矿物质组成。含油率和含水量是评价油页岩质量的重要指标。而常规油页岩成分检测方法过程繁琐,效率低,严重制约了油页岩资源勘查和开采的效率。因此采用高效无损的近红外光谱技术开展油页岩含油率的原位分析建模方法及应用研究具有重要的实际意义。本文在国家潜在油气资源项目(OSR-02-04)“近红外油页岩现场含油率检测方法研究”以及省科技厅重大专项(20116014)“油页岩含油率专用近红外光谱现场检测仪研制”的资助下,开展基于近红外光谱技术的油页岩含油率原位分析建模方法及其在油页岩含水量检测的应用研究。项目组自行研制了油页岩专用便携式近红外光谱仪,并初步开展了油页岩含油率近红外光谱分析方法研究,但存在所建模型精度偏低等问题。本文以油页岩主分(含油率、水分)为研究对象,针对复杂的原位油页岩样品,采用建模方法优化对比技术,分别从光谱数据预处理、异常样品剔除、波长选择、模型优化等各个环节展开详细深入的研究,以提高原位油页岩检测精度为目的确定其建模方法。并应用于油页岩含水量。扩展油页岩成分检测的参数,为油页岩原位开采提供技术参数,从而推动我国近红外光谱技术在油页岩参数检测的发展,为近红外光谱技术在油页岩领域的应用提供技术保障。具体研究内容如下:1以仿油页岩样品和实际原位岩芯样品为研究对象,研究了漫反射光谱数据形式(反射率、吸光度和Kubelka-Munk(K-M)函数)以及与油页岩中页岩油相关的近红外光谱标志性吸收带(全谱、一级倍频、一级合频以及组合区间)对油页岩含油率偏最小二乘(PLS)模型精度的影响。结果表明,以仿油页岩样品含油率为研究对象,反射率和吸光度数据所建模型精度较高,而K-M函数的最低;全谱和组合区间参与建模时精度最高,而其他两种区间较差。以DBFK2样品含油率为研究对象,吸光度和K-M数据所建模型精度较高,而反射率函数的最低;全谱和组合区间参与建模时精度最高,而其他两种区间较差。所以,建模过程中应注意选取适合的光谱数据形式和特征区间,有助于获取最佳的模型效果。其次,仿油页岩数据库和实际油页岩样品数据库均为采用全谱或组合区间建模时精度较高,可反映出所测光谱数据有效信息夹杂在强背景干扰下,需要选取合适的预处理方法削弱背景噪声,并增强有用信息。而且此次建模结果对原位油页岩样品具有指导建议,不适合直接选取特征区间建立模型,应通过有效地波长选择方法优选。以及,针对原位油页岩样品所建模型决定系数偏低,仍需要选取合适的多元校正方法建立高精度、高稳定性的油页岩模型。2针对油页岩原位样品的近红外光谱数据,提出了PLS建模对比优化的小波变换处理方法。针对原位油页岩样品复杂的背景信息,结合PLS建模精度对比评价,研究了不同小波基和分解尺度的连续和离散2种小波变换形式的处理方法,并与平滑、多元散射校正、标准正态变量变换、1阶导数、2阶导数等其它数据处理方法进行对比实验。针对2个原位油页岩样品数据库,实验结果显示:油页岩原位样品的近红外光谱数据采用优化参数的小波变换处理后,所建PLS模型决定系数为0.80(其他数据处理方法中最佳为0.72)、0.92(其他数据处理方法中最佳为0.89)表明该光谱数据处理方法能够增强原位油页岩样品含油率光数据的有效信息、抑制复杂的背景信息。3将基于蒙特卡罗采样的异常样品剔除(MCS)方法法应用到油页岩原位样品的含油率近红外光谱分析的异常样品剔除中,优化参数后识别并剔除异常样品。针对2个原位油页岩样品数据库,结果表明:与主成分马氏距离异常样品剔除(PCA-MD)方法对比,采用MCS法剔除异常样品后所建PLS模型精度提高幅度均比PCA-MD高,应用MCS法后所建PLS模型的平均预测误差均方根降低了0.34、0.37。因此MCS方法可有效地剔除油页岩原位样品近红外光谱数据中的异常样品,且有效地提高模型精度。4针对油页岩原位样品的近红外光谱建模数据筛选,提出了PLS建模与蚁群(ACO)算法参数优化相结合的波长选择方法。基于蒙特卡罗无信息变量消除法、遗传算法、竞争自适应重采样法、蚁群算法四种波长选择方法,通过PLS建模精度对比,优化四种方法各自的参数,确定了蚁群算法对提高原位油页岩含油率分析精度最有效。针对2个原位油页岩样品数据库,四种波长选择方法对比实验结果表明:应用蚁群算法波长选择后所建PLS模型的决定系数分别提高到0.70、0.86;波长优选率分别为17%和10%。因此,ACO方法可有效减少模型的复杂性和计算量,且有效地提高模型精度。5将最小二乘支持向量机(LSSVM)算法应用于油页岩含油率近红外光谱分析建模,提出了基于优化对比技术的稳健建模方法——优化小波数据处理+优化蚁群数据筛选的最小二乘支持向量机建模方法(WT+ACO+LSSVM)。对2个原位油页岩样品数据库,开展了LSSVM与PLS、反向传播神经网络(BPANN)两种建模方法的模型精度和稳定性的对比实验研究,实验结果表明:3种建模方法所建含油率模型(平均)决定系数分别为0.53、0.51、0.32和0.86、0.78、0.77;LSSVM和BPANN两种建模方法所建含油率模型决定系数方差分别为0.01、0.16和0.02、0.18。可见LSSVM方法不仅提高了模型的模型精度并具有较高的建模稳健性。结合不同数据处理方法+优化蚁群算法的数据筛选方法,进行LSSVM建模对比实验,结果表明:基于WT+ACO+LSSVM方法,2个原位油页岩样品数据库的含油率模型决定系数最高,达到0.84和0.96的水平。6将WT+ACO+LSSVM建模方法应用于油页岩含水量检测中,对比实验结果表明:LSSVM建模的模型精度为0.49,采用优化小波预处理的WT+LSSVM所建水分模型精度达到0.89。采用优化ACO方法后ACO+LSSVM所建水分模型精度为0.56,波长优选率为13%。WT+ACO+LSSVM所建水分模型决定系数达到0.94,波长优选率为18%。可见该建模方法在油页岩水分含量近红外光谱分析建模的有效性。7为了实现油页岩的原位或在线检测,研发了一款便携式油页岩专用近红外光谱仪配套的油页岩含油率现场专用分析软件。该软件基于Matlab语言开发,包括样品采集分析、数据库操作、建立模型、数据传输等四个模块,可实现样品光谱的现场测量与处理分析、批量光谱数据的处理与分析、数据库的建立与修改、模型的建立与评价等功能。