Quantitative Prediction of Coal–Gangue Content Using Terahertz Time-Domain Spectroscopy and Physics-Informed Machine Learning
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Quantitative determination of gangue content is important for efficient coal use and intelligent coal–gangue separation. We combine transmission terahertz time-domain spectroscopy (THz-TDS), multidomain feature fusion, and machine learning to predict gangue mass fraction in coal–gangue mixtures. Time- and frequency-domain signals, refractive index, absorption and extinction coefficients, and complex permittivity were extracted from samples with different gangue contents. Five-fold cross-validation was used to compare random forest, support vector regression, Gaussian process regression, an artificial neural network, and an Effective Medium Theory-constrained Physics-Informed Neural Network (EMT-PINN). EMT-PINN achieved the best performance, with a coefficient of determination (R2) of 0.81 ± 0.15, a mean absolute error (MAE) 3.17 ± 0.59%, and a root mean square error (RMSE) of 5.79 ± 0.21%, compared with R2 values of 0.72 ± 0.08, 0.61 ± 0.21, 0.74 ± 0.11, and 0.64 ± 0.18 for RF, SVR, GPR, and ANN, respectively. These results demonstrate the potential of physics-informed THz spectroscopy for rapid and physically interpretable quantitative characterization of coal–gangue mixtures.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Quantitative Prediction of Coal–Gangue Content Using Terahertz Time-Domain Spectroscopy and Physics-Informed Machine Learning
- Date Crossref
- 04/09/2026
- Éditeur
- MDPI AG
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Shanxi Science and Technology Department pays non établi dans la noticeOrganisme public
-
East China University of Science and Technology pays non établi dans la noticeUniversité ou école supérieure
-
Anhui Polytechnic University pays non établi dans la noticeUniversité ou école supérieure
-
Wuhu Institute of Technology pays non établi dans la noticeUniversité ou école supérieure
-
Tianjin University pays non établi dans la noticeUniversité ou école supérieure
-
Aviation Industry Corporation of China (China) pays non établi dans la noticeEntreprise
-
Anhui University of Science and Technology State Key Laboratory of Digital Intelligent Technology for Unmanned Coal Mining pays non établi dans la noticeUniversité ou école supérieure
-
Ltd. Shanxi TZCO Intelligent Mining Equipment Technology Co. pays non établi dans la noticeEntreprise
-
State Key Laboratory of Intelligent Mining Equipment Technology pays non établi dans la noticeStructure de recherche
-
School of Mechanical and Power Engineering Key Laboratory of Pressure System and Safety pays non établi dans la noticeUniversité ou école supérieure
-
School of Artificial Intelligence pays non établi dans la noticeUniversité ou école supérieure
-
School of Intelligent Manufacturing pays non établi dans la noticeUniversité ou école supérieure
Shanxi Science and Technology Department, East China University of Science and Technology et Anhui Polytechnic University, avec 9 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.