【Objetivo】As emissões de óxidos de nitrogênio (NOx) são um importante indicador ambiental na câmara de combustão de turbinas a gás. A previsão rápida e precisa de NOx auxilia na otimização da combustão e no controle de baixas emissões. Diante dos altos custos computacionais das previsões tradicionais baseadas em simulação numérica e da capacidade limitada de generalização de modelos únicos orientados por dados, propõe-se uma estrutura de aprendizado em conjunto empilhado baseada em aprendizes base heterogêneos e em um meta-aprendiz TabNet para a previsão das emissões de NOx. 【Método】A estrutura utiliza quatro aprendizes base heterogêneos: XGBoost, máquina de vetores de suporte (SVM), floresta aleatória (RF) e perceptron multicamada (MLP), gerando previsões iniciais a partir de diferentes paradigmas de aprendizado; em seguida, o modelo TabNet, especialmente desenvolvido para dados tabulares, é introduzido como meta-aprendiz, utilizando seu mecanismo de atenção sequencial para fundir dinamicamente as saídas dos aprendizes base. 【Resultados】Em um conjunto de dados experimentais pré-processados da câmara de combustão micro-misturada, o modelo de aprendizado em conjunto empilhado proposto apresentou desempenho superior a todos os aprendizes base individuais, com erro quadrático médio da raiz (RMSE) e erro médio absoluto (MAE) tão baixos quanto 0,7840 mg/m3 e 0,1730 mg/m3, respectivamente. A validação cruzada de treinamento dinâmico e testes em estado estacionário demonstrou boa capacidade de generalização. A análise explicativa baseada em SHAP indicou que os fluxos de combustível primário e secundário são as características mais importantes que influenciam a previsão de NOx. 【Conclusão】A estrutura de aprendizado em conjunto empilhado proposta pode melhorar efetivamente a precisão e a capacidade de generalização da previsão das emissões de NOx na câmara de combustão, e os resultados da identificação das características-chave são consistentes com os mecanismos físicos da combustão por estágios do combustível.

câmara de combustão micro-misturada;previsão de emissões NO_x;aprendizado em conjunto empilhado;análise SHAP