【Ziel】Die Emission von Stickoxiden (NOx) ist ein wichtiger Umweltindikator in der Brennkammer von Gasturbinen. Die schnelle und präzise Vorhersage von NOx trägt zur Optimierung der Verbrennung und zur Kontrolle niedriger Emissionen bei. Angesichts der hohen Rechenkosten traditioneller simulationsbasierter Vorhersagen und der begrenzten Generalisierungsfähigkeit einzelner datengetriebener Modelle wird ein gestapeltes Ensemble-Lernframework mit heterogenen Basislernenden und einem TabNet-Meta-Lernenden zur Vorhersage von NOx-Emissionen vorgeschlagen. 【Methode】Das Framework verwendet vier heterogene Basislernende: XGBoost, Support Vector Machine (SVM), Random Forest (RF) und Multi-Layer Perceptron (MLP), die aus unterschiedlichen Lernparadigmen Primärprognosen erzeugen; anschließend wird das speziell für Tabellendaten entwickelte TabNet-Modell als Meta-Lernender eingeführt, das die Ausgaben der Basislernenden mittels sequentiellem Aufmerksamkeitsmechanismus dynamisch fusioniert. 【Ergebnisse】Auf einem vorverarbeiteten experimentellen Datensatz einer Mikro-Mischbrennkammer übertrifft das vorgeschlagene gestapelte Ensemble-Modell die Leistung aller einzelnen Basislernenden, mit einem RMSE und MAE von jeweils bis zu 0,7840 mg/m3 bzw. 0,1730 mg/m3. Die Validierung mit dynamischem Training und stationärem Test über verschiedene Betriebsbedingungen zeigt eine gute Generalisierungsfähigkeit. Die auf SHAP basierende Erklärbarkeitsanalyse zeigt, dass der Primär- und Sekundärbrennstoffstrom die wichtigsten Merkmale sind, die die NOx-Vorhersage beeinflussen. 【Fazit】Das vorgeschlagene gestapelte Ensemble-Lernframework verbessert effektiv die Vorhersagegenauigkeit und Generalisierungsfähigkeit der NOx-Emissionen in der Brennkammer, und die Ergebnisse der Schlüsselmerkmalsidentifikation stimmen mit den physikalischen Mechanismen der abgestuften Verbrennung des Brennstoffs überein.

Mikro-Mischbrennkammer;NO_x Emissionsvorhersage;gestapeltes Ensemble-Lernen;SHAP-Analyse