Para abordar el problema del aumento del efecto de matriz y la respuesta espectral no lineal agravada debido a la dificultad de molienda de muestras de carbón de gran tamaño en sitios industriales, se propone un modelo predictivo híbrido PLS-AE-RR basado en la fusión de espectroscopía de infrarrojo cercano (NIRS) y fluorescencia de rayos X (XRF), que tiene como objetivo mejorar la precisión del análisis en línea del poder calorífico del carbón. El método construye una arquitectura híbrida de tres niveles "línea base lineal + extracción de características no lineales + corrección de residuos": primero se utiliza regresión por mínimos cuadrados parciales (PLS) para establecer la relación lineal global entre el espectro y el poder calorífico, luego un autoencoder (AE) extrae representaciones no lineales de baja dimensión que PLS no puede capturar a partir del espectro fusionado, y finalmente se emplea regresión ridge (RR) para la corrección de desviaciones no lineales en los residuos. Los resultados experimentales muestran que este método logra avances significativos en la predicción del poder calorífico de muestras de carbón de gran tamaño, con coeficientes de determinación R² de 0.974 y 0.938 para lignito y hulla, respectivamente, errores absolutos promedio de 0.233 MJ/kg y 0.216 MJ/kg, y un rendimiento significativamente superior al PLS sencillo y otros modelos de corrección no lineal, validando la ventaja de generalización de la regresión ridge en el ajuste de residuos. Este estudio proporciona a las centrales eléctricas de carbón una herramienta de análisis en línea del poder calorífico del carbón crudo sin necesidad de molienda, ofreciendo un soporte técnico clave para la gestión precisa del combustible y la optimización operativa.

análisis espectral; espectroscopía de infrarrojo cercano; fluorescencia de rayos X; predicción del poder calorífico; muestras de carbón de gran tamaño; corrección no lineal; autoencoder