【목적】질소산화물(NOx) 배출량은 가스터빈 연소실의 중요한 환경 지표로서, NOx를 빠르고 정확하게 예측하는 것은 연소 최적화 및 저배출 제어에 도움이 된다. 전통적인 수치 시뮬레이션 기반 예측의 높은 계산 비용과 단일 데이터 기반 모델의 일반화 능력 한계 문제를 해결하기 위해, 이종 기초 학습기와 TabNet 메타 학습기를 이용한 스태킹 앙상블 학습 프레임워크를 제안하였다. 【방법】본 프레임워크는 XGBoost, 서포트 벡터 머신(SVM), 랜덤 포레스트(RF), 다층 퍼셉트론(MLP) 4가지 이종 기초 학습기를 이용해 서로 다른 학습 패러다임에서 초기 예측을 생성하며, 이후 테이블 데이터에 특화된 TabNet 모델을 메타 학습기로 도입하여 순차적 어텐션 메커니즘으로 기초 학습기 출력을 동적으로 융합한다. 【결과】사전 처리된 마이크로 혼합 연소실 실험 데이터셋에서 제안된 스태킹 앙상블 모델은 모든 단일 기초 학습기보다 우수한 예측 성능을 보였으며, 평균 제곱근 오차(RMSE)와 평균 절대 오차(MAE)는 각각 0.7840 mg/m3, 0.1730 mg/m3로 낮은 값을 기록하였다. 동적 훈련-정상 상태 테스트를 통한 교조건 검증에서 모델은 우수한 일반화 능력을 나타냈다. SHAP 기반 해석 가능성 분석 결과, 1차 및 2차 연료 유량이 NOx 예측에 가장 중요한 특성임을 밝혔다. 【결론】제안된 스태킹 앙상블 학습 프레임워크는 연소실 NOx 배출 예측 정확도와 일반화 능력을 효과적으로 향상시키며, 핵심 특성 식별 결과는 연료 등급별 연소의 물리적 메커니즘과 일치한다.

마이크로 혼합 연소실;NO_x 배출 예측;스태킹 앙상블 학습;SHAP 분석