Para resolver o problema do aumento do efeito de matriz e da resposta espectral não linear agravada devido à dificuldade de moagem de amostras de carvão de grande granulometria em ambientes industriais, foi proposto um modelo preditivo híbrido PLS-AE-RR baseado na fusão da espectroscopia de infravermelho próximo (NIRS) e da espectroscopia de fluorescência de raios X (XRF), visando melhorar 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”: primeiramente, utiliza-se regressão por mínimos quadrados parciais (PLS) para estabelecer a relação linear global entre o espectro e o valor calorífico, depois um autoencoder (AE) extrai representações não lineares de baixa dimensão que o PLS não consegue capturar a partir do espectro fundido, e finalmente, a regressão ridge (RR) realiza a correção dos desvios não lineares dos resíduos. Os resultados experimentais mostram que o método alcançou avanços significativos na predição do valor calorífico de amostras de carvão de grande granulometria, com coeficientes de determinação R² de 0,974 e 0,938 para lignito e hulha, respectivamente, erros absolutos médios de 0,233 MJ/kg e 0,216 MJ/kg, desempenho significativamente superior ao PLS simples e a outros modelos de correção não linear, validando a vantagem de generalização da regressão ridge na adequação dos resíduos. Este trabalho fornece às usinas termelétricas a carvão um meio de análise online de alto desempenho do valor calorífico do carvão cru sem necessidade de moagem, oferecendo suporte técnico essencial para a gestão precisa do combustível e a otimização da operação.

análise espectral; espectroscopia de infravermelho próximo; fluorescência de raios X; predição do valor calorífico; amostras de carvão de grande granulometria; correção não linear; autoencoder