BP神經網絡在PP/POE－g－MAH增韌PA6研究中的應用

陳 坤，鄭梯和，宋克東，田祥儒，張 瑜

（株洲時代新材料科技股份有限公司，湖南 株洲412007）

BP神經網絡在PP/POE－g－MAH增韌PA6研究中的應用

陳 坤，鄭梯和，宋克東，田祥儒，張 瑜

（株洲時代新材料科技股份有限公司，湖南 株洲412007）

采用均勻設計法和BP神經網絡研究了聚丙烯（PP）/乙烯－辛烯共聚物接枝馬來酸酐（POE－g－MAH）對聚酰胺6（PA6）的增韌作用，并在此基礎上建立了PA6/PP/POE－g－MAH共混物中各組分含量與共混物沖擊強度關系的3層BP神經網絡預測模型。結果表明，該模型與實驗結果基本吻合，可信度較高；當POE－g－MAH含量為14.00%（質量分數，下同）、PP含量為9.00%時，共混物的缺口沖擊強度達到92.12kJ/m2。

神經網絡；聚酰胺6；聚丙烯；增韌；馬來酸酐

0 前言

PA6具有力學性能高、韌性好、電氣性能佳、耐磨、耐油、耐弱酸堿等一系列優異性能，是一種應用廣泛的工程塑料［1］。但是PA6在干態和低溫時沖擊強度較低，即表現出明顯的缺口敏感性，不能滿足當前高科技對材料高性能的要求，也引發人們對其進行增韌改性［2］。趙 永 紅 等［3］、魯 成 祥 等［4］分 別 采 用 ［聚 乙 烯（PE）/POE］－g－MAH、（PP/POE）－g－MAH 增 韌 PA6，并取得顯著效果。但是，當前的研究中普遍是采用MAH接枝聚烯烴及其彈性體增韌PA6，而采用MAH－g－POE和沒有接枝的PP共混來增韌PA6卻鮮見報道。

回歸擬合法是一種常用的實驗數據分析的方法，但是當因素較多，各影響因素之間呈高度非線性且交互影響的情況下，傳統的回歸擬合方法難以滿足使用要求［5］。BP神經網絡是一種人工智能方法，以實驗數據為基礎，經過有限次的迭代計算而獲得的一個反映實驗數據內在聯系的數學模型，具有極強的非線性處理、自組織調整、自適應學習及容錯抗噪能力，特別適用于研究材料配方與制品性能之間關系的復雜的非線性系統特性［6］，但是在這方面的研究和報導甚少。

本研究在實驗的基礎上建 立 PA6/PP/POE－g－MAH共混物沖擊性能的BP神經網絡預測模型，并預測確定了PP/POE－g－MAH增韌PA6的最佳用量。

1 實驗部分

1.1 主要原料

PA6，YH700，岳陽石油化工總廠；

POE－g－MAH，接枝率1.20%，佛山市南海柏晨高分子新材料有限公司；

PP，150，中國石油天然氣股份有限公司。

1.2 主要設備及儀器

電熱恒溫干燥箱，GZX－DH－3043J，上海躍進醫療器械廠；

雙螺桿擠出機，FY－35，南京富亞橡塑機械制造有限公司；

注塑機，WG－80，無錫格蘭機械集團有限公司；

擺錘沖擊試驗機，XJC－2225，承德精密實驗機有限公司。

1.3 樣品制備

將PA6在110℃干燥箱中干燥4h，然后與POE－g－MAH、PP按表1比例混合均勻后在雙螺桿擠出機中擠出造粒，將粒料在100～110℃干燥4～8h，用注塑機注塑成標準樣條。

1.4 性能測試與結構表征

懸臂梁缺口沖擊強度按GB/T 1843—2008進行測試，V形缺口，深度為2mm，擺錘能量為22J。

2 結果與討論

2.1 配方設計

神經網絡對樣本的要求比較高，不但要真實可靠，而且要具有一定的代表性。一般在做神經網絡時采用正交試驗或均勻設計來選擇樣本。均勻設計法［7］是我國著名的數學家方開泰和王元合作首創的試驗設計法，已在國防、科技、工業、農業等領域有了成效顯著的應用［8］。與正交試驗相比，均勻試驗設計具有試驗次數少，優化效果明顯，便于實施等優點［9］。本實驗選擇U21＊（217）均勻設計表安排實驗，如表1所示。

表1 實驗方案及結果Tab.1 Experimental results

2.2 BP神經網絡的建立

神經網絡是一種運算模型，由大量節點（或稱神經元）和相互的加權連接構成。由于BP算法是沿著誤差函數減小最快的方向，也就是梯度的反方向改變權值和偏差；因此BP神經網絡又稱誤差反向傳播神經網絡，是一種多層的前向型神經網絡。目前在神經網絡的多數應用中，均采用BP神經網絡及其變化形式［10］。

BP神經網絡的各項參數包括網絡的輸入層、隱含層、輸出層以及各層傳遞函數。BP神經網絡具有1個輸入層，1個輸出層和至少1個隱含層，如圖1所示。不同層之間通過權重因子連接。

圖1 BP神經網絡模型Fig.1 Model for BP neural network

設輸入的數目為M，其中任意一個用m來標記；隱含層記為I，包含I個神經元，其中任意一個神經元用i來標記；輸出層記為P，包含P個神經元，其中任意一個用p來標記；神經元的輸入記為u，輸出記為v；各層之間的權值記為w；用上標表示神經元所處的層，下標表示層中的序號；f表示傳遞函數。設k為樣本數量，則網絡的輸入訓練樣本集為Xk＝［xk1，xk2，…，xkm］，對于各層的中間值可以寫出如下表達式：

隱含層第i個神經元的輸入為：

隱含層第i個神經元的輸出為：

輸出層第p個神經元輸出為：

輸出層第p個神經元的輸出誤差為：

定義誤差能量為：

輸出層所有神經元的誤差能量總和（E）為：

誤差與信號相反，從后向前傳播，在反向傳播過程中，逐層修改權值和偏差。

研究表明，增加隱含層的層數不一定能提高網絡的精度和表達能力，一般情況下，選用1個隱含層就足夠了，輸入層和輸出層的神經元數分別由輸入數據和輸出數據的維數確定。鑒于上述因素，本實驗選擇1層隱含層，這樣BP模型具有1個輸入層、1個隱含層和1個輸出層，即3層BP模型。本研究以表1中的實驗方案及結果作為BP神經網絡的樣本建立BP神經網絡。第1層為含有3個神經元的輸入層，3個神經元分別代表3個輸入變量，即PA6、POE－g－MAH和PP的含量；第3層為含有1個神經元的輸出層，即沖擊強度；在輸入層與輸出層之間為神經元隱含層。由于隱含層的神經元個數與所研究問題相關，目前的研究結果還難以給出隱含層的神經元個數與問題的類型和規模之間的函數關系，只有通過模擬實驗決定［11］；通過選用不同隱含層神經元個數進行模擬，發現6個隱含層神經元適合于本問題。實驗采用神經網絡隱含層結點的傳遞函數“tansig”、網絡輸出層傳遞函數“purelin”；在神經網絡建立過程中，不斷調整網絡各層之間的權重因子，直到模擬結果與實驗結果誤差小于0.0010。

輸入層與隱含層之間的權重因子以及隱含層與輸出層之間的權重因子可以描述所建立的神經網絡，神經網絡中的權重因子見表2、3。

表2 連接輸入層與隱含層各權重因子Tab.2 The weighting factor connecting input layers with hidden

表3 連接隱含層與輸出層各權重因子Tab.3 The weighting factor connecting implied layer and the output layer

從 圖 2 可 以 看 出，當 POE－g－MAH 含 量 為14.00%時，隨著PP含量的增加，共混物的沖擊強度迅速增加；當PP含量增加到9.00%時，共混物的沖擊強度達到最大，此后進一步增加PP含量，共混物的沖擊強度開始降低。

圖2 神經網絡預測模型Fig.2 Forecasting model of neural networks

2.3 BP神經網絡預測能力的測試

為了表明所建立的神經網絡預測能力，將實測值與預測值進行對比，結果如表4所示。可以看出，當POE－g－MAH含量為14.00%時，共混物的沖擊強度隨著PP含量的增加而增加；當PP含量達到9.00%時，共混物的沖擊強度達到92.12kJ/m2；此后進一步增加PP的含量，共混物的沖擊強度有所降低，這與實驗模型的預測一致。同時從表4還可以看出神經網絡預測值與實測值兩者非常接近。因此，可以認為該神經網絡具有很好的預測能力，可以有效地預測POE－g－MAH和PP對PA6的增韌作用。

表4 神經網絡預測結果與實測值結果對比Tab.4 Neural network prediction results and actual results contrast

3 結論

（1）POE－g－MAH 和 PP 在增韌 PA6的過程中具有協同增韌作用；

（2）當 POE－g－MAH 含量為14.00%時，隨著 PP含量的增加，共混物的沖擊強度迅速增加；當PP含量增加到9.00%時，共混物的懸臂梁缺口沖擊強度達到92.12kJ/m2；

（3）3層BP神經網絡能很好地預測高分子復合材料的性能，BP神經網絡是一種非常有效的模擬工具。

［1］ 張 堅，辛集忠，鄭海忠，等.選區激光燒結中能量密度對尼龍制品性能影響的研究［J］.塑料，2008，37（3）：39－40.

［2］ 付 瑤，金日光.尼龍6合金的超韌新材料［J］.化工新型材料，1999，（7）：23－34.

［3］ 趙永紅，鄧清田.張發饒，等.（PE/POE）－g－MAH 增韌尼龍6的研究［J］.現代塑料加工應用，2003，15（6）：4－6.

［4］ 魯成祥，陳 力，王艷梅，等，POE/PP的接枝改性及在制備超韌尼龍中的應用研究［J］.塑料，2005，34（6）：18－23.

［5］ 曾衛東，舒 瀅，周義剛.應用人工神經網絡模型預測Ti－10V－2Fe－3Al合金的力學性能［J］.稀有金屬材料與工程［J］.2004，33（10）：1041－1044.

［6］ 曾海泉，羅躍綱，連永祥.神經網絡在橡膠配方設計中的應用［J］.橡膠工業，2002，49（2）：73－76.

［7］ 方開泰.均勻設計與均勻設計表［M］.北京：科學出版社，1994：3－4.

［8］ 姚鐘堯.回歸分析法在均勻設計數據分析中的地位［J］.特種橡膠制品，1998，（2）：35－41.

［9］ 寇林元，凌建春，趙麗彥，等.正交試驗與均勻試驗優化效果比較［J］.中國衛生統計，2009，26（2）：139－142.

［10］ 朱 凱，王正林.精通matlab神經網絡［M］.北京：電子工業出版社，2010：193－194.

［11］ 余娟麗，王紅潔，張 健，等.神經網絡在制備氮化硅多孔陶瓷中的應用［J］.稀有金屬材料與工程，2010，39（3）：464－467.

Application of BP Neural Network on PP/POE－g－MAH Toughening PA6

CHEN Kun，ZHENG Tihe，SONG Kedong，TIAN Xiangru，ZHANG Yu
（Zhuzhou Times New Material Technology Co，Ltd，Zhuzhou 412007，China）

The research of PP/POE－g－MAH toughening PA6was conducted by BP neural network and homogeneous design in this paper.On this basis，a 3－layer BP neural network prediction model for the composites between impact strength and the composition was established.The prediction by the model agreed well with the experiments.The impact strength of the toughening PA6reached 92.12kJ/m2when the content of POE－g－MAH was 14.00%and PP content was 9.00%.

neural network；polyamide 6；polypropylene；toughen；maleic anhydride

TQ323.6

B

1001－9278（2011）12－0055－04

2011－07－29

聯系人，76206690＠163.com