【Objetivo】 La técnica de espectroscopía inducida por plasma generado por láser (LIBS), debido a sus ventajas como la falta de necesidad de un procesamiento complejo de muestras, la detección simultánea de múltiples indicadores y el análisis rápido, tiene un gran potencial de aplicación en el campo del análisis rápido de la calidad del carbón. Sin embargo, debido a las diferencias en la respuesta de las señales espectrales de distintos instrumentos, la precisión del modelo de análisis cuantitativo entrenado con datos espectrales del instrumento principal disminuye considerablemente cuando se aplica a otros instrumentos secundarios. Por ello, este estudio se basa en el aprendizaje por transferencia TrAdaBoost, combinado con diferentes algoritmos de aprendizaje automático, para construir un modelo de análisis cuantitativo de la calidad del carbón a través de instrumentos LIBS. 【Método】 Se consideraron dos instrumentos LIBS para la detección rápida de la calidad del carbón como instrumento principal y secundario, y se recogieron espectros LIBS de diferentes cantidades de muestras de carbón en ambos. Se utilizaron bosque aleatorio (RF), máquinas de vectores soporte (SVR), TrAdaBoost combinado con RF (Tr A-RF) y TrAdaBoost combinado con SVR (Tr A-SVR) para construir modelos de análisis cuantitativo de la calidad del carbón, y se analizaron muestras desconocidas en el instrumento secundario para comparar el rendimiento del modelo. 【Resultados】 Los resultados mostraron que los modelos Tr A-RF y Tr A-SVR mejoraron significativamente la precisión de la predicción de la calidad del carbón en comparación con los modelos RF y SVR. Entre ellos, el modelo Tr A-RF tuvo la mejor precisión, reduciendo el error absoluto medio de predicción del poder calorífico, la ceniza y el contenido de carbono de 1.390 MJ/kg, 4.774% y 3.826% a 0.654 MJ/kg, 2.338% y 1.927% respectivamente en comparación con el modelo RF; el modelo Tr A-SVR tuvo la mayor precisión para predecir la volatilidad, reduciendo el error absoluto medio de 2.722% a 2.524% en comparación con el modelo SVR. 【Conclusión】 Los resultados indican que el aprendizaje por transferencia combinado con un aprendiz base adecuado puede mejorar la adaptabilidad del modelo de análisis cuantitativo de la calidad del carbón a diferentes instrumentos.

espectroscopía inducida por plasma generado por láser;aprendizaje por transferencia;calidad del carbón;análisis cuantitativo;aprendizaje automático