【Objectif】Les émissions d’oxydes d’azote (NOx) sont un indicateur environnemental important dans la chambre de combustion des turbines à gaz. La prédiction rapide et précise du NOx facilite l’optimisation de la combustion et le contrôle des faibles émissions. Face aux coûts de calcul élevés des méthodes de simulation numérique classiques et à la capacité de généralisation limitée des modèles basés sur un seul apprentissage par données, un cadre d’apprentissage empilé combinant des apprenants de base hétérogènes et un méta-apprenant TabNet est proposé pour la prédiction des émissions de NOx. 【Méthode】Le cadre utilise quatre apprenants de base hétérogènes : XGBoost, machine à vecteurs de support (SVM), forêt aléatoire (RF) et perceptron multicouche (MLP), pour générer des prédictions initiales issues de différentes modalités d’apprentissage ; puis le modèle TabNet, spécialement conçu pour les données tabulaires, est introduit en tant que méta-apprenant, qui fusionne dynamiquement les sorties des apprenants de base via un mécanisme d’attention séquentielle. 【Résultats】Sur un jeu de données expérimental prétraité de chambre de combustion à mélange pauvre, le modèle empilé proposé performe mieux que tous les apprenants de base pris isolément, avec une RMSE et une MAE allant respectivement jusqu’à 0,7840 mg/m3 et 0,1730 mg/m3. La validation inter-condition via un entraînement dynamique et un test en régime stable démontre une bonne capacité de généralisation. L’analyse interprétable basée sur SHAP montre que les débits de carburant primaire et secondaire sont les caractéristiques les plus importantes influençant la prédiction de NOx. 【Conclusion】Le cadre d’apprentissage empilé proposé améliore efficacement la précision et la capacité de généralisation des prédictions d’émissions de NOx en chambre de combustion, et les résultats d’identification des caractéristiques clés coïncident avec les mécanismes physiques de la combustion par grades du carburant.

chambre de combustion à mélange pauvre;prédiction des émissions NO_x;apprentissage empilé;analyse SHAP