Para resolver o problema do aumento do efeito matriz e da intensificação da resposta espectral não linear causados pela dificuldade em moer amostras de carvão de grande granulometria em ambientes industriais, foi proposto um modelo preditivo híbrido PLS-AE-RR baseado na fusão da espectroscopia no infravermelho próximo (NIRS) e da fluorescência de raios X (XRF), visando aprimorar a precisão da análise online do valor calorífico do carvão. O método constrói uma arquitetura híbrida em três níveis "linha de base linear + extração de características não lineares + correção de resíduos": primeiro, utiliza regressão por mínimos quadrados parciais (PLS) para estabelecer uma relação linear global entre o espectro e o valor calorífico, depois um autoencoder (AE) extrai representações não lineares de baixa dimensão difíceis de capturar pelo PLS a partir do espectro fundido, e finalmente a regressão ridge (RR) corrige os resíduos dos desvios não lineares. Resultados experimentais indicam avanços significativos na previsão do valor calorífico de amostras de carvão de grande granulometria, com coeficientes de determinação R² para os conjuntos de teste de linhito e hulha alcançando 0,974 e 0,938 respectivamente, erros absolutos médios de 0,233 MJ/kg e 0,216 MJ/kg, desempenho significativamente superior ao PLS único e a outros modelos de correção não lineares, confirmando a vantagem de generalização da regressão ridge no ajuste de resíduos. Este trabalho fornece às usinas termelétricas a carvão um meio de análise online do valor calorífico do carvão bruto sem moagem e de alta precisão, oferecendo suporte técnico essencial para a gestão apurada de combustível e operação otimizada.

análise espectral;espectroscopia no infravermelho próximo;espectroscopia de fluorescência de raios X;previsão do valor calorífico;amostras de carvão de grande granulometria;correção não linear;autoencoder