【Objetivo】 A tecnologia de espectroscopia de ruptura induzida por laser (LIBS) possui vantagens como não necessitar de pré-tratamento complexo da amostra, detecção simultânea de múltiplos indicadores e análise rápida, apresentando um grande potencial de aplicação no campo da análise rápida da qualidade do carvão. No entanto, devido às diferenças na resposta dos sinais espectrais entre diferentes instrumentos, a precisão dos modelos de análise quantitativa treinados com dados espectrais do instrumento principal diminui significativamente quando aplicados a outros instrumentos secundários. Portanto, este estudo baseia-se no aprendizado por transferência TrAdaBoost, combinado com diferentes algoritmos de machine learning, para construir um modelo quantitativo de análise da qualidade do carvão via LIBS entre diferentes instrumentos. 【Método】 Dois detectores rápidos LIBS para qualidade do carvão foram tratados como instrumento principal e secundário, respectivamente, e espectros LIBS de amostras de carvão em diferentes quantidades foram coletados em ambos. Foram utilizados Floresta Aleatória (RF), Máquina de Vetores de Suporte (SVR), além do TrAdaBoost combinado com RF (Tr A-RF) e TrAdaBoost combinado com SVR (Tr A-SVR) para construir modelos quantitativos de análise da qualidade do carvão, e análises de amostras desconhecidas foram feitas no instrumento secundário para comparar o desempenho dos modelos. 【Resultados】 Os resultados mostraram que os modelos Tr A-RF e Tr A-SVR melhoraram significativamente a precisão da previsão da qualidade do carvão em comparação com os modelos RF e SVR. Entre eles, o modelo Tr A-RF teve a melhor precisão, com o erro absoluto médio da previsão do poder calorífico, cinzas e teor de carbono reduzido de 1,390 MJ/kg, 4,774% e 3,826% para 0,654 MJ/kg, 2,338% e 1,927%, respectivamente, em comparação com o modelo RF; o modelo Tr A-SVR teve a maior precisão na previsão da volatilidade, com o erro absoluto médio reduzido de 2,722% para 2,524% em comparação com o modelo SVR. 【Conclusão】 Os resultados indicam que o aprendizado por transferência combinado com um aprendiz base adequado pode melhorar a adaptabilidade do modelo quantitativo de análise da qualidade do carvão a diferentes instrumentos.

espectroscopia de ruptura induzida por laser;aprendizado por transferência;qualidade do carvão;análise quantitativa;machine learning