【الهدف】 تتمتع تقنية التحليل الطيفي بالانهيار المحفز بالليزر (LIBS) بمزايا مثل عدم الحاجة إلى معالجة معقدة للعينات، والكشف المتزامن عن مؤشرات متعددة، والتحليل السريع، مما يجعلها ذات إمكانات تطبيقية كبيرة في مجال التحليل السريع لجودة الفحم. ومع ذلك، بسبب اختلاف استجابات الإشارات الطيفية لأجهزة مختلفة، ينخفض دقة نموذج التحليل الكمي المدرب على بيانات الطيف للجهاز الرئيسي بشكل كبير عند تطبيقه على أجهزة فرعية أخرى. لذلك، تعتمد هذه الدراسة على تعلم النقل TrAdaBoost، مع دمج خوارزميات تعلم الآلة المختلفة لبناء نموذج تحليل كمي لجودة الفحم عبر أجهزة LIBS متعددة. 【الطريقة】 تم اعتبار جهازي LIBS للكشف السريع عن جودة الفحم كجهاز رئيسي وجهاز فرعي، وتم جمع بيانات طيف LIBS لعينة من الفحم بأعداد مختلفة على كلا الجهازين. تم استخدام الغابات العشوائية (RF)، وآلة الدعم الناقل (SVR)، بالإضافة إلى TrAdaBoost مع RF (Tr A-RF) وTrAdaBoost مع SVR (Tr A-SVR) لبناء نماذج تحليل كمية لجودة الفحم، وتم تحليل جودة عينة الفحم المجهولة على الجهاز الفرعي لمقارنة أداء النماذج. 【النتائج】 أظهرت النتائج أن نماذج Tr A-RF و Tr A-SVR حسّنت بشكل كبير دقة التنبؤ بجودة الفحم مقارنة بنماذج RF و SVR. من بينها، كان نموذج Tr A-RF الأكثر دقة، حيث انخفض متوسط الخطأ المطلق للتنبؤ بالحرارة، والرماد، ومحتوى الكربون من 1.390 ميغا جول/كغم، 4.774٪ و3.826٪ إلى 0.654 ميغا جول/كغم، 2.338٪ و1.927٪ على التوالي مقارنة بنموذج RF؛ وكان نموذج Tr A-SVR الأكثر دقة في التنبؤ بنسبة التطاير، حيث انخفض متوسط الخطأ المطلق من 2.722٪ إلى 2.524٪ مقارنة بنموذج SVR. 【الاستنتاج】 تشير نتائج الدراسة إلى أن تعلم النقل مع المتعلم الأساسي المناسب يمكن أن يحسن تكيف نماذج التحليل الكمي لجودة الفحم مع أجهزة مختلفة.

التحليل الطيفي بالانهيار المحفز بالليزر;تعلم النقل;جودة الفحم;تحليل كمي;تعلم الآلة