【Objetivo】Las emisiones de óxidos de nitrógeno (NOx) son un indicador ambiental importante en la cámara de combustión de turbinas de gas. La predicción rápida y precisa de NOx ayuda a la optimización de la combustión y al control de bajas emisiones. Debido a los altos costos computacionales de las predicciones basadas en simulación numérica tradicional y la limitada capacidad de generalización de modelos únicos impulsados por datos, se propone un marco de aprendizaje en conjunto apilado basado en aprendices base heterogéneos y un meta-aprendiz TabNet para la predicción de emisiones de NOx. 【Método】El marco utiliza cuatro aprendices base heterogéneos: XGBoost, máquina de vectores soporte (SVM), bosque aleatorio (RF) y perceptrón multicapa (MLP), que generan predicciones iniciales desde diferentes paradigmas de aprendizaje; a continuación se introduce el modelo TabNet, diseñado especialmente para datos tabulares, como meta-aprendiz que fusiona dinámicamente las salidas de los aprendices base mediante un mecanismo de atención secuencial. 【Resultados】En un conjunto de datos experimentales preprocesados de cámara de combustión micro-mixta, el modelo de aprendizaje en conjunto apilado propuesto supera en rendimiento a todos los aprendices base individuales, con un error cuadrático medio raíz (RMSE) y un error absoluto medio (MAE) tan bajos como 0,7840 mg/m3 y 0,1730 mg/m3 respectivamente. La validación cruzada dinámica de entrenamiento y prueba en estado estable muestra una buena capacidad de generalización. El análisis explicable basado en SHAP indica que los flujos de combustible primario y secundario son las características más importantes que afectan la predicción de NOx. 【Conclusión】El marco de aprendizaje en conjunto apilado propuesto puede mejorar eficazmente la precisión y la capacidad de generalización de la predicción de emisiones de NOx en la cámara de combustión, y los resultados de identificación de características clave son consistentes con los mecanismos físicos de la combustión escalonada del combustible.

cámara de combustión micro-mixta;predicción de emisiones NO_x;aprendizaje en conjunto apilado;análisis SHAP