【목적】 레이저 유도 파괴 분광법(LIBS) 기술은 복잡한 샘플 전처리가 불필요하고, 다중 지표 동시 검출 및 빠른 분석 등의 장점으로 석탄 품질의 빠른 분석 분야에서 큰 응용 잠재력을 갖고 있다. 그러나 서로 다른 기기의 스펙트럼 신호 응답 차이로 인해 주 기기 스펙트럼 데이터로 학습된 정량 분석 모델이 다른 종속 기기에 적용될 때 정확도가 크게 떨어진다. 따라서 본 연구는 TrAdaBoost 전이 학습을 기반으로 다양한 머신러닝 알고리즘과 결합하여 기기 간 LIBS 석탄 품질 정량 분석 모델을 구축하였다. 【방법】 2대의 LIBS 석탄 빠른 검출기를 주 기기와 종속 기기로 각각 간주하고, 주 기기와 종속 기기에서 서로 다른 수량의 석탄 샘플 LIBS 스펙트럼을 수집하였다. 랜덤 포레스트(RF), 서포트 벡터 머신(SVR), TrAdaBoost와 RF 결합 모델(Tr A-RF), TrAdaBoost와 SVR 결합 모델(Tr A-SVR)을 각각 사용하여 석탄 품질 정량 분석 모델을 구축하고, 종속 기기에서 미지 석탄 샘플 품질을 분석하여 모델 성능을 비교하였다. 【결과】 결과는 RF 및 SVR 모델과 비교할 때 Tr A-RF와 Tr A-SVR 모델이 석탄 품질 예측 정확도를 현저히 향상시켰음을 보여준다. 특히 Tr A-RF 모델이 가장 높은 예측 정확도를 보였으며, RF 모델과 비교하여 발열량, 재분 및 탄소 함량 예측 평균 절대 오차가 각각 1.390 MJ/kg, 4.774% 및 3.826%에서 0.654 MJ/kg, 2.338% 및 1.927%로 감소하였다; Tr A-SVR 모델은 휘발분 예측에서 가장 높은 정확성을 나타냈으며, SVR 모델과 비교하여 평균 절대 오차가 2.722%에서 2.524%로 감소하였다. 【결론】 연구 결과는 적절한 기저 학습기와 결합된 전이 학습이 다양한 기기에 대한 석탄 품질 정량 분석 모델의 적응성을 향상시킬 수 있음을 시사한다.

레이저 유도 파괴 분광법;전이 학습;석탄 품질;정량 분석;머신러닝