文摘

因为在碳质页岩有机碳浓度高,大部分碳质页岩往往被误诊为煤炭使用可见光和近红外反射光谱(可见)煤矸石的识别领域的高光谱遥感的煤矿。为了研究光谱表征煤和碳质页岩,三个油页岩样品和三个碳质页岩收集煤矿的中国,和他们的光谱反射率曲线是通过野外光谱仪的波长范围350 - 2500 nm。只有一个炭质页岩可以很容易地确定三个油页岩样品根据明显的吸收附近的山谷1400海里,1900 nm和2200 nm的反射率曲线而另两个碳质页岩有类似的反射率曲线三种烟煤样品。碳浓度对反射率的影响曲线模拟了混合粉的超低灰烟煤和粘土在0.5毫米粒度在不同混合比例。发现吸收山谷附近1400海里,1900 nm和2200 nm的混合粉烟煤内容时变得不明显超过30%。为了建立一个有效的识别方法的煤和碳质页岩,其他250个样本收集来自同一煤矿100年被分成150个训练样本和预测样本。主成分分析(PCA)和高斯径向基核主成分分析(GRB-KPCA)是用来提取主成分(pc)的连续删除(CR) 8选择训练样本的光谱波长区域的相关主要矿物和有机成分。基于两种支持向量机(SVM)模型PCA-SVM和GRB-KPCA-SVM建立了。结果表明,GRB-KPCA-SVM模型有更好的识别精度94%和92%的粉和自然块预测样本,分别。

1。介绍

煤炭是中国的主要能源,仍不可替代的主要能源在可预见的未来。炭质页岩夹在煤层和形成煤的形成主要由矿物质和有机碳。煤炭生产过程中,大量的碳质页岩,煤矸石的主要部分是经常一起减少煤炭和运输在地上。这些煤矸石占用大量的土地在地上会导致损害环境,和那些混煤增加无效的传输(1,2]。

由于巨大的煤炭需求和煤炭生产能力要求,很多先进的光谱技术在煤矿的调查,煤矸石识别、和煤质的决心3- - - - - -6]。反射光谱很容易获得使用廉价的仪器,适合在线分析中的可见光和近红外(可见)地区7]。然而,在煤矿领域,大多数煤碳质页岩有类似的黑色。与此同时,由于高碳浓度在碳质页岩,没有明显不同煤和碳质页岩之间的光谱吸收特性,而且他们可能有相似的光谱特征在可见区域。因此,大部分的碳质页岩往往被误诊为煤炭使用可见光反射可见光光谱学煤矸石的识别领域的高光谱遥感的煤矿8- - - - - -10]。

在相同的测量条件下,煤和炭质页岩的反射光谱之间的差异主要取决于材料的组成部分。煤主要由复杂的有机物包括脂肪族结构,芳香结构和含氧官能团结构通常含有许多矿物质而炭质页岩主要由粘土矿物、石英通常包含许多有机物(11]。煤和炭质页岩的光谱特性已经被一些学者研究在可见区域(12,13]。然而,碳浓度的影响煤和炭质页岩的可见光反射率光谱可见光很少受到调查。

一些学者关注各种实验、算法和模型来提高光谱识别精度的煤和煤矸石包括大量的碳质页岩在煤矿领域,如毛泽东的归一化煤指数(NDCI)模型(8),勒的改进的分布地图模型,和歌曲的分类方法基于反射光谱可见地区和在热红外光谱发射率(行动)地区9,10]。然而,所有上述学者并没有准确地识别煤和碳质页岩反射光谱的可见区域,和碳质页岩煤矸石的主要类型,减少煤和煤矸石的分类精度。例如,在歌曲的实验中,基于反射光谱的可见区域,碳质页岩都是不是在所有样品包括12煤和煤碳质页岩(910]。因此,一个有效的识别方法基于反射光谱的煤和碳质页岩可见区域的研究是十分必要的。

摘要光谱反射特性(350 - 2500 nm)中国典型的烟煤和碳质页岩样品进行了研究。碳浓度对光谱反射率的影响曲线可见区域的煤和碳质页岩是通过一个实验调查的。一个有效的coal-carbonaceous页岩建立了基于可见光反射可见光光谱识别方法。

2。材料和方法

2.1。光谱和作品采集典型的样本

图1显示了六个典型样本包括三个油页岩样品和三个碳质页岩从马伦收集中国的山西省煤矿区。很明显,碳质页岩和油页岩样品的外观图1是相似的。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图1
六个典型烟煤(a - c)和碳质页岩(d-f)样品。

反射光谱的粗糙或垫远程样品接近的固体表面反射光谱的粉末样品在较大的晶粒尺寸比小晶粒尺寸(0.25 - -1.6毫米)来确定作品的表面14]。沉积岩的粉末样品,大粒径(0.25 - -1.2毫米)显示反射率较低,但显示更明显的光谱特征谱带(12]。沉积岩的辅助文件ASTER光谱库2.0版本的喷气推进实验室指出反射光谱的新鲜(粗糙)固体表面沉积或变质岩可以近似模拟光谱的粗颗粒(0.5 - -1.5毫米)样品(15]。一些学者使用了反射光谱的碳酸盐岩粉(一种沉积岩)样品粒径分数在0.125毫米和0.5毫米和已知的化学成分来模拟反射光谱的新鲜固体表面区块碳酸盐岩样品的16]。煤和碳质页岩属于沉积岩。因此,在这项研究中,六个典型样本碎,风干,已筛达到0.5毫米大小的一部分。这些粉末样品分为三个分数被用于光谱测量、x射线荧光光谱仪分析,分别和近似分析。

0.5毫米的样品粉末粒度用于光谱测量是放置在一个培养皿,粉末表面是平滑的培养皿盖。然后粉表面测量的ASD FieldSpec场光谱仪(美国分析光谱设备公司)在一个黑暗的实验室。光谱范围是350 - 2500 nm,光谱分辨率是3 350 - 1000 nm, 8.5 1000 - 1800 nm和6.5 nm 1800 - 2500海里。作为显示在图2,每个样本的水平,和光纤电缆的视野(FOV) 25°以上的光谱仪是15厘米的垂直表面的样本。样品15厘米的距离,记录频谱平均光谱反射率的35厘米的表面积2,等于一个圆的直径6.5厘米。卤素灯15厘米以上的距离样品表面是光源,入射角是45°。十每个样本的光谱反射率曲线记录在第一个方向,然后样品在水平面旋转90°和测量记录第二10曲线等,获得40样本在所有四个方向的曲线。平均每个样本的40曲线计算,总共6光谱曲线的样品图1得到的光谱维2151年350 - 2500 nm的波长范围。


图2
粉末样品的反射率光谱采集0.5毫米粒度使用野外光谱仪和卤素灯的光源。

通过一个光谱仪S8老虎光谱仪(力量Inc .)、德国)和近似分析VMF10/6动荡的马弗炉(英国Carbolite Inc .),一个AAF12/18灰马弗炉(英国Carbolite Inc .),和一个BS124S电子分析天平(缝匠肌Inc .)、德国),主要矿物元素的内容,不稳定,而灰这六个样品。这些样本的类别(煤或岩石)由其火山灰收益率根据ISO 11760灰煤是小于或等于50%的收益率与岩石。

2.2。光谱采集的烟煤和粘土混合物

超低灰烟煤粉(挥发性灰收益率2%,8%)的粒径0.5毫米与粘土粉混合均匀(hydromuscovite石英高岭石的62%,19%,10%,4%的蒙脱石,褐铁矿,3%和1.2%的伊利石)的粒径0.5毫米在不同混合比例模拟碳浓度对反射率的影响曲线。烟煤的重量比例混合粘土是0:100年,5:10:90年,95年…,95:5 - 100:0不同区间的5%,共有21个混合粉末样品。21个样品的反射率光谱得到相同的条件下,样品图2。

2.3。光谱和类别收购建模样本

二百其他烟煤和碳质页岩样品收集的马伦煤矿被随机分为50 150个训练样本和预测样本,以建立有效的识别模型,煤和碳质页岩。所有这些200建模样本被压碎,风干,渗达到0.5毫米的大小比例。每个粉末样品分为两个分数用于光谱测量和近似分析,分别。训练集包括56个油页岩样品和94碳质页岩,和预测集包括22个油页岩样品和28日根据ISO 11760和碳质页岩灰收益率通过近似分析的这200个样本。反射光谱0.5毫米200粉样品的晶粒尺寸相同的条件下得到的样品图2。连续的预处理方法去除(CR)是用来消除背景噪音的反射率曲线和隔离特定吸收特性(17]。

2.4。光谱和类别收购块样品

五十多性质相同的煤矿收集的样本块超过200样本风干和测量使用相同的野外光谱仪和卤素灯在黑暗相同的实验室。反射光谱的50块样本用于验证建立的识别模型的实用性训练样本上面所讨论的。作为显示在图3、每一块样本水平和光缆分光计的垂直上方的顶部固体表面样本。记录的平均光谱反射率光谱是35厘米的圆形区域2。示例图240,意味着反射曲线的四个方向的每个样本在波长350 - 2500纳米的范围。顶级固体表面的光谱反射率曲线50块的样品被CR预处理。


图3
反射光谱采集的固体表面的每一块样品使用野外光谱仪和卤素灯的光源。

反射光谱采集后,小样本测量圆形区域的碎片被削减的固体表面近似分析每个样本和碎成粉末。50块样品包括19个油页岩样品和31日根据ISO 11760和碳质页岩灰收益率通过近似分析的50个样本。

2.5。核主成分分析

主成分分析(PCA)是用于光谱特征提取,并可以实现好的结果在处理线性问题[18- - - - - -20.]。然而,这种方法有一些局限性在处理多光谱分析时,通常不是简单的线性问题。核主成分分析(KPCA)是基于PCA (21- - - - - -23]。核函数的引入,数据被映射到一个高维空间,然后,非线性PCA特征提取的方法,因此PCA在非线性数据分布的不满意结果改善。

程序KPCA和PCA是相似的,但是在KPCA,核函数是用来代替原始数据22]。对于线性不可分的光谱数据集Xl×p(Xl×p⊂Rp)的样品,Xl×p= (x1,x2、…xl]T,x我= (x我,1,x我,2、…x我,p),我= 1,2,…l,l的样品和数量吗p是光谱维度,它们可以映射到一个更高的维度空间F通过非线性变换Φ。

被定义为

和核函数矩阵被定义为 在核函数 。的协方差矩阵C在F是

特征向量V和特征值λ的C满足的关系简历=λV和α= (α1,α2、…αl)的存在,使

基于方程(5)的关系Kα=lλα可以得出结论,α可以计算。基于方程(5),α,任何输入光谱数据的非线性特性x在更高的维度空间F可以表示由以下方程:

上述过程得到以下方程时, 假设,但在实际光谱数据, 而不是使用K通过 在哪里

在这项研究中,高斯径向基核函数(GRB) 选择和表达的吗 在哪里 的光谱数据吗我th和jth样本σ是宽度参数。

2.6。支持向量机

支持向量机(SVM)是一种基于统计学习理论(SLT)的机器学习算法建立了Vapnik等人在1990年代,在结构风险最小化(SRM)标准是用来减少模型泛化误差的上界最小化样本误差以提高模型的泛化能力(24]。支持向量机可以解决模式识别问题的小样本、非线性和高维数据空间(25,26]。在处理非线性问题,支持向量分类(SVC)将原始数据空间映射到高维空间,构造一个高维空间中的最优分类面,以便从飞机上所有样本的距离最大化。径向基函数(RBF)作为支持向量机的核函数选择在这个研究。

2.7。拟议的建立过程Coal-Carbonaceous页岩预测模型

主成分(pc)通过PCA和KPCA CR八选择训练样本的光谱波长区域的相关主要矿物和有机成分。与电脑结合的类别(煤和岩石)作为输入参数,训练支持向量机模型。

最优宽度参数σ在公式(10)的高斯径向基核主成分分析(GRB-KPCA)是由交叉验证。每个宽度参数σ从1到100在步骤1的长度,最大平均预测精度(PA)的验证组的训练集是通过5倍交叉验证的支持向量机。与此同时,基于最大平均PA,最优惩罚因子c和RBF方差参数γ的支持向量机σ被获得。然后最优宽度参数σ是由最大值的最大平均不是所有宽度参数σ。根据上述过程GRB-KPCA-SVM模型成立。图4显示了两种预测模型的流程图的过程:PCA-SVM GRB-KPCA-SVM。

(一)
(一)
(b)
(b)
图4
程序的流程图PCA-SVM (a)和GRB-KPCA-SVM (b)模型。

预测精度(PAs)的类别自然50粉和50块的预测样本用来评估预测模型。建立预测模型和评估模型都表现在Matlab R2013b软件(美国MathWorks Inc .)。

3所示。结果与讨论

3.1。光谱反射率曲线和作品的典型样本

六个代表性样本的光谱反射率曲线在图1在350 - 2500纳米波长范围在图所示5。八个乐队标志使用没有光谱特性。在图1 - 85和互动过程相关的主要成分如表所示1。在图51400海里(5)、吸收谷(5是带数字的光谱特性,等等),1900 nm(6), 2200海里(7)的碳质页岩(f)的反射率曲线更明显比其他的五个样品。炭质页岩(f)可以很容易地确定三个油页岩样品根据上述三个明显的吸收谷,而其他两个碳质页岩有类似的反射率曲线三种烟煤样品。炭质页岩的反射率曲线(d)和烟煤(c)也有类似的明显的吸收谷700海里(2)和870海里(3)乐队。经常吸收谷400 - 550海里(1)和1000 - 1100 nm(4)乐队出现在所有反射曲线,和典型的强吸收带从2300纳米到2500纳米(8)产生的有机物出现在所有反射曲线,。反射率曲线之间存在另一个明显的不同特性的碳质页岩(f)和其他五个样品的反射率曲线的整体形状炭质页岩(f)是直接在其他五个明显凹。


图5
六个代表性样本的光谱反射率曲线在图1在350 - 2500纳米波长范围。
表1
相关光谱区域的主要成分(27- - - - - -30.]。

表2显示主要的矿物元素的内容(SiO2,艾尔。2O3,菲2O3)通过光谱仪分析和挥发性和火山灰的内容通过近似分析这六个样品图1。矩阵的光谱仪指C、H、O、N有机物和矩阵的碳质页岩(d)和(e)(47.80%和41.25%)更比炭质页岩(f) (20.24%)。这可能是炭质页岩的反射率曲线的主要原因(d)和(e)类似于三个油页岩样品(12,31日,32]。明显的吸收谷1400海里,1900 nm和2200 nm的碳质页岩(f)的反射率曲线取决于基质含量低(20.24%)和粘土和石英矿物的高灰收益率(78.94%)是(27,28]。前两名最高含铁的矿物元素内容(铁3.39%和3.14%2O3)表2的主要原因是明显的吸收谷700 nm和870 nm的碳质页岩(d)和烟煤(c) (27,28]。

表2
x射线荧光光谱仪和近似分析的样品图1。

根据主成分表2表和主要相关的互动过程1,8个选定的波长区域表1可以反映出主要成分信息烟煤或炭质页岩样品。从反射曲线的波形图5和组成内容表2内容,它可以很容易地推断矩阵和灰收益率相关样本的有机物和矿物质的关键因素,确定样品的反射率曲线的波形。换句话说,碳浓度的影响可见反射光谱的煤和碳质页岩应该系统调查。

3.2。光谱反射特征的烟煤和粘土混合物

图6显示了21混合粉末样品的光谱反射率曲线干超低灰烟煤和粘土在0.5毫米粒度在350 - 2500纳米波长范围。烟煤含量从0%增加到100%,5%的区间。八个光谱特性的表1也标志着图呢6。纯粘土粉最高的光谱反射率曲线。然而,混合粉的光谱反射率曲线5%烟煤内容大幅下降与纯粘土粉的曲线特别是在近红外(NIR)地区(780 - 2500海里)。油页岩含量超过5%时,随着烟煤内容,混合粉的光谱反射率曲线落在一个较小的区间。随着烟煤内容,吸收1400海里的山谷的深处,1900 nm和2200 nm乐队的反射率曲线下降。烟煤含量超过30%时,吸收的山谷1400海里,1900海里,至2200 nm的反射率曲线变得不明显,总体反射率曲线的形状变化从凸,凹。的整体形状曲线更密集,油页岩内容时相似,和水平超过40%。纯烟煤粉最低的光谱反射率曲线,曲线的整体形状是接近水平线。


图6
光谱反射率曲线21干烟煤和粘土混合粉末样品在0.5毫米粒径不同混合比例下的波长范围350 - 2500 nm。

实验结果烟煤和粘土混合粉的解释六个代表性样本的光谱反射率曲线在图5。它可以推导出,很难确定碳质页岩从油页岩样品的光谱反射率曲线的波形在可见区域碳浓度的碳质页岩比约为30%。然而,材料成分信息中包含八个选择波长的反射率光谱区域表1可能会提供参考确定碳质页岩烟煤的高碳浓度。和有效的识别方法基于反射光谱的煤和碳质页岩在可见区域应该被研究。

3.3。光谱建模样本和识别模型的建立

为了建立一个有效的识别模型,煤和碳质页岩,200粉样品的光谱反射率曲线0.5毫米粒度包括50 150个训练样本和预测样本350 - 2500 nm波长范围的获得,如图7(一)。图7 (b)显示了CR 200光谱曲线预处理。很明显,低反射率曲线(12样本)与整体凸形状可以很容易地识别从别人根据CR法在图7 (b)。但是很难识别的样本,因为许多似曾相识的,跨界车,这些光谱曲线之间的相似之处。

(一)
(一)
(b)
(b)
图7
光谱反射率曲线(a)和continuum-removed 200建模样本的光谱曲线(b)的波长范围350 - 2500 nm。

图7 (b)表明,吸收功能放大。CR光谱训练集的八个选定的波长区域表1被用于建立识别模型。PCA最初是用来消除无关信息,减少预处理光谱八个地区的维度。表3列出了前十的累积贡献率电脑训练集的CR光谱通过PCA八个地区。前三个电脑的累积贡献率为90.0403%,而前三个电脑的三维空间分布的150个训练样本通过PCA展示在图8(一个)。图8(一个)表明很大一部分的岩石(炭质页岩)球混合煤球。

表3
前十个人电脑的累积贡献率continuum-removed 150训练样本的光谱的八选定的波长范围在表1。
(一)
(一)
(b)
(b)
图8
(a)的三维空间分布的前三个电脑CR 150训练样本的光谱的八所选地区表1通过主成分分析;(b)寻找最优惩罚参数的过程c和径向基函数的方差参数γPCA-SVM模型通过交叉验证与第十个人电脑作为输入变量。

训练集的前十个人电脑通过主成分分析结合类别(0代表煤炭和1代表岩石)被作为输入变量来训练支持向量机模型。5倍交叉验证来确定最优惩罚参数c径向基函数和方差参数γ。的搜索范围c和γ都是2−10到210,步长指数为0.5。确定最优参数的过程c和γ如图8 (b)。与c= 21.5和γ= 2−2作为优化参数,验证集的类别的最大平均PA是90.67%。

KPCA,更有能力处理非线性数据分布时可能会有一个更好的结果用来减少预处理的维数谱训练集的八个区域。当宽度参数σ在公式(10从1到100)GRB-KPCA增加在步骤1的长度,图9显示的变化趋势的最大平均PA通过GRB-KPCA-SVM验证集的类别。作为显示在图9,最优宽度参数σ是GRB-KPCA-SVM 63。表3列表的前十个人电脑的累积贡献率CR光谱训练集的八个区域通过GRB-KPCA (σ= 63)。前三个电脑的累积贡献率为98.1378%,而前三个电脑的三维空间分布的150个训练样本通过GRB-KPCA (σ= 63)呈现在图10 ()。图10 ()表明煤和岩石的3 d空间集群(炭质页岩)球优于PCA和球的混合部分减少。


图9
确定最优参数的过程σGRB-KPCA:变化趋势的最大平均PA通过GRB-KPCA-SVM验证集的类别的变化σ。
(一)
(一)
(b)
(b)
图10
(a)的三维空间分布的前三个电脑CR 150训练样本的光谱在八个地区表中1通过GRB-KPCA (σ= 63);(b)寻找最优惩罚参数的过程c径向基函数和方差参数γGRB-KPCA-SVM模型通过交叉验证与第十个人电脑作为输入变量。

当宽度参数σ在公式(10)GRB-KPCA是63,训练集的前十个人电脑通过GRB-KPCA结合类别(0代表煤炭和1代表岩石)被作为输入变量来训练支持向量机模型。5倍交叉验证来确定最优惩罚参数c径向基函数和方差参数γ。的搜索范围c和γ也从2−10到210和步长指数也是0.5。确定最优参数的过程c和γ如图10 (b)。最优参数c= 24和γ= 20基于GRB-KPCA-SVM和验证集的类别的最大平均PA是98%。

从验证集的交叉验证的结果,使用KPCA的降维方法优于PCA CR光谱的训练集的八选定的波长区域表1。两个coal-carbonaceous页岩预测模型,PCA-SVM GRB-KPCA-SVM,建立了根据以上流程。

3.4。识别样本的预测模型
3.4.1。粉预测样本的识别

CR 50个预测样本的光谱0.5毫米粒度在八个选定的波长区域表中1输入上述PCA-SVM (c= 21.5,γ= 2−2)和GRB-KPCA-SVM (σ= 63,c= 24,γ= 20)模型,两个模型预测的结果在图所示11。


图11
50粉预测样本的预测结果PCA-SVM和GRB-KPCA-SVM模型。
3.4.2。块样品的光谱和识别

光谱反射率曲线和CR曲线的固体表面50多块的样品350 - 2500 nm波长范围的图所示12(一个)和图12 (b),分别。图12表明,光谱曲线块样品更类似于粉末样品的光谱曲线在图0.5毫米粒度7。同样,很难识别这些块样品用观察到的光谱曲线在图12。

(一)
(一)
(b)
(b)
图12
光谱反射率曲线(a)和continuum-removed自然50块样本的光谱曲线(b)的波长范围350 - 2500 nm。

为了进一步验证上述两个训练模型的实用性,类别的50多块样本预测的性质。CR 50块的光谱样本的八所选波长区域表1输入上述PCA-SVM (c= 21.5,γ= 2−2)和GRB-KPCA-SVM (σ= 63,c= 24,γ= 20)模型。50块的类别样本的识别结果的两个模型图所示13。


图13
预测的结果自然50块样品PCA-SVM和GRB-KPCA-SVM模型。
3.4.3。预测模型的性能

类别的识别精度预测50粉样品和50多块样品表中列出4。150年的训练样本也两个模型预测的,表中列出4。

表4
类别的识别精度烟煤和碳质页岩样品收集的马伦山西煤矿区中国的预测模型。

结果显示在表中4的类别可以看出煤和碳质页岩样品基于GRB-KPCA-SVM PCA-SVM不是与不是更高。92%的PA自然块样品是可以接受的,和GRB-KPCA-SVM更可行的和理想coal-carbonaceous页岩识别方法。和GRB-KPCA-SVM模型提供了一个有效的参考coal-carbonaceous页岩识别使用可见光反射率光谱可见光。

4所示。结论

为了解决煤和碳质页岩之间的误分类问题使用可见光反射可见光光谱学领域的煤矸石的高光谱遥感识别煤矿、光谱反射特征的六个典型的烟煤,和中国的碳质页岩样品350 - 2500 nm波长范围进行了研究。六个样品,两个碳质页岩没有明显吸收谷也有类似的反射率曲线三种烟煤样品。通过仿真实验烟煤内容对反射率的影响曲线的超低灰烟煤和粘土混合粉,发现吸收山谷附近1400海里,1900 nm和2200 nm的混合粉时变得不明显烟煤内容超过30%。它可以推断,当炭质页岩的碳浓度超过30%,很难确定碳质页岩从油页岩样品的光谱反射率曲线的波形在可见区域。

8个波长区域包括400 - 550 nm, 650 - 750 nm, 820 - 920 nm, 1000 - 1100 nm, 1350 - 1450 nm, 1850 - 1950 nm, 2150 - 2250 nm和2300 - 2500 nm的主要矿物和有机成分相关样本选择。CR光谱150中国其他煤和碳质页岩样品的八所选波长区域被用来建立两个coal-carbonaceous页岩预测模型:PCA-SVM GRB-KPCA-SVM。两个模型都验证通过预测类别的50粉样品和50块样品性质。GRB-KPCA-SVM模型预测精度为94%和92%,粉和自然块预测样本,分别是一个更可行的和理想coal-carbonaceous页岩识别方法。本文的基本原则和模型提供参考coal-carbonaceous页岩识别在煤矿使用可见光反射率光谱可见光。

数据可用性

光谱数据,光谱仪的数据,和近似分析数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的共同基金,国家自然科学基金(批准号U1610251和U1510116),中国国家重点研发项目(批准号2018 yfc0604503),和优先级的学术程序开发(PAPD)江苏高等教育机构。