高溫高壓熱處理材力學性能神經網絡建模研究

楊 紅，程萬里

(1.東北林業大學，黑龍江哈爾濱 150040;2.黑龍江生態工程職業學院，黑龍江哈爾濱 150025)

?

高溫高壓熱處理材力學性能神經網絡建模研究

楊 紅1,2，程萬里1

(1.東北林業大學，黑龍江哈爾濱 150040;2.黑龍江生態工程職業學院，黑龍江哈爾濱 150025)

木材高溫高壓熱處理是一種相對穩定且非常環保的木材熱處理方法。該研究利用BP神經網絡建模研究木材高溫高壓熱處理與其力學性能的關系，結果表明BP神經網絡在網絡構建和預測性能上效果良好。在此基礎上對木材熱處理的工藝參數進行了分析和優化，這對科學合理地使用木材具有重要意義。

木材高溫高壓熱處理；BP神經網絡；分析和優化

木材熱處理是指以木材為原料，用蒸汽、惰性氣體或者植物油為加熱介質，在150～260 ℃溫度下對木材進行短期熱解處理，由于木材在熱處理過程中不采用任何化學制劑或者防腐劑，所以這是一種環保的木材物理保護技術[1]。經過高溫高壓處理所得到的熱處理材與原本木材相比尺寸穩定性、生物耐久性和木材顏色都得到了很大的改善。

由于人工神經網絡可以充分逼近任意復雜的非線性關系，所以常常被用于材料加工工藝的優化處理方面，但這種建模方法在木材熱處理工藝優化方面應用很少，至今還未見具體報道[2]。該文給出了一類相對準確、高效的神經網絡建模方法，該模型通過測試，準確率可達到96%以上。利用該模型只需要將木材熱處理的3個工藝參數輸入，即可映射得到木材經過熱處理后對應的5個重要的力學性能參數，通過人工神經網絡對木材熱處理后木材力學性能的影響進行模擬仿真，從而確定出木材熱處理工藝參數和木材力學性能之間的關系，以找到最優熱處理工藝，為熱處理材的合理使用提供科學依據。可以說，將神經網絡建模方法引進木材研究領域, 將為木材的諸多復雜研究課題提供一系列便捷、高效的解決方案[3]。

1 神經網絡簡介

1.1 神經網絡概述 人工神經網絡是一種在生物神經網絡的啟示下建立的數據處理模型。它的發展經歷了曲折的歷程，曾歷經兩度興衰，現已作為一種成熟的算法應用于生活和生產的各個領域[4]。人工神經網絡具有強大的模式識別和數據擬合能力，神經網絡的種類很多，不同類型的網絡適合解決不同的問題，其優異的非線性逼近性能使其在眾多領域中都有出色的表現。

1.2 BP神經網絡 BP網絡是前向神經網絡的核心部分，廣泛應用于分類識別、逼近、回歸、壓縮等領域[5]。BP神經網絡是一種多層感知器，它除了輸入層和輸出層外，一般還具有若干個隱含層，層與層之間全連接，同一層之間的神經元無連接。BP網絡一般使用Sigmoid函數或者線性函數作為傳遞函數，這種網絡的典型設計方式是隱含層采用Sigmoid函數作為傳遞函數，而輸出層則采用線性函數作為傳遞函數。在BP網絡中，數據從輸入層經隱含層逐層向后傳播，訓練網絡權值時，則沿著減少誤差的方向，從輸出層經過中間各層逐層向前修正網絡的連接權值。隨著學習的不斷進行，最終誤差越來越小。

2 模型構建及結果

2.1 試驗數據采集與整理 該研究目的是揭示杉木高溫高壓熱處理工藝的3個重要參數和木材5個重要力學性能之間的關系[6]。樣本數據共60組，其中隨機抽取40組作為訓練數據，20組作為測試數據，部分試驗樣本的描述如表1所示。

2.2 熱處理工藝參數選擇 高溫高壓熱處理工藝參數包括熱處理的溫度、時間、壓力、濕度、保護介質和樹種等因素。其中濕度和壓力往往是相關聯的，濕度越高則對應蒸汽壓力也越大。大量試驗結果表明熱處理的溫度對材料的影響最大，在較高溫度條件下對材料的處理效果很難用在較低溫度條件下延長熱處理時間來達到。該文以高溫高壓飽和或過熱蒸汽為介質對木材進行熱處理，介質溫度120～250 ℃，飽和度(或相對濕度)20%～100%。

2.3 BP神經網絡模型建立與檢測 該文使用Matlab7.0軟件進行神經網絡模型的建立與測試，對數據建模前，首先要對建模數據進行預處理，對所有訓練數據和測試數據進行歸一化處理，但在建立完成后，一定要進行反歸一化操作[7]。根據大量木材改性涉及到的參數將BP神經網絡輸入層設置為3，輸出層為5，隱含層沒有固定公式可遵循[8]，只能根據試驗情況隨時調整隱含層的數目，經過反復試驗，將最佳隱含層值設為9。網絡隱含層和輸出層函數設定為tansig函數，訓練函數設定為trainlm函數，最大迭代次數設置為10 000，網絡訓練精度為0.00 001，初始學習率設定為0.1，開始對網絡進行訓練。

表1 杉木熱處理工藝參數與力學性能指標

訓練結果為：

RAINLM, Epoch 0/10000, MSE 0.794996/1e-005, Gradient 9.74805/1e-010

TRAINLM, Epoch 33/10000, MSE 8.29285e-006/1e-005, Gradient 0.00631861/1e-010

TRAINLM, Performance goal met.

網絡經過33次迭代運算結束，達到預設的精度。試驗證明該文設計的網絡收斂速度較快，具體訓練過程如圖1所示。

網絡訓練結束后，為了驗證設計網絡預測的有效性，采用了20個樣本點用于測試，結果如圖2所示。

從以上測試結果圖可以看出，除了各別樣本存在較大誤差外，大多數網絡輸出樣本值都接近于實際數值，這說明該文所建立的神經網絡模型能夠很好地映射出實際系統。

3 木材熱處理對其力學性能影響工藝參數優化和分析

根據上述提到的大量試驗數據的收集與整理，建立起木材高溫高壓熱處理參數工藝與其力學性能的關系模型[9]，用來預測木材經過高溫高壓熱處理后木材的力學性能指標，同時對木材熱處理的工藝參數進行分析，從而對影響其力學性能的工藝參數進行優化。

圖3是木材高溫高壓熱處理的相關參數在優化范圍內，利用上述建立的神經網絡模型預測的熱處理時間對木材的力學性能的影響曲線。由圖3可看出，當時間為2 h，木材熱處理后的力學性能達到最優化。

圖4是木材在合適時間、壓力等綜合條件下，木材熱處理溫度對其力學性能的影響曲線，當溫度為190 ℃，木材熱處理后的力學性能指標優良。

同理，利用建立的神經網絡模型得知壓力為0.2 MPa，平衡含水率為9.8%時，木材熱處理后的力學性能達到最好。

4 結論

(1)人工神經網絡能夠很好描述木材熱處理時間、

溫度、壓力與處理后木材力學性能之間的關系，網絡預測精確率能達到96%以上。

(2)該文建立的神經網絡模型確定的杉木熱處理工藝時間為2 h，溫度為190 ℃，壓力為0.2 MPa，平衡含水率為9.8%時，木材經過熱處理后的綜合力學性能達到最優化。如果要建立其他樹種熱處理工藝與力學性能之間的關系模型，只需將相應數據輸入網絡即可實現。

(3)該文提出的將人工神經網絡模型引入到木材熱處理中，是一種全新的嘗試，在實際生產中，可針對木材產品的應用場合對力學性能的要求來優化熱處理工藝參數，從而更加科學合理地使用木材。

[1] 李堅.功能性木材[M]. 北京:科學出版社,2001.

[2] 孫建平,王逢瑚,胡英成. 基于神經網絡模型的楊木單板改性處理工藝優化[J]. 材料熱改性學報, 2011, 32(2):163-166.

[3] 張冬妍. 木材干燥神經網絡建模與智能控制研究[D].哈爾濱：東北林業大學, 2005.

[4] 陳明. MATLAB神經網絡原理與實例精解[M]. 北京:清華大學出版社,2013.

[5] 張延林.神經網絡在木材干燥過程中建模的應用[J].東北林業大學學報,2009,37(8):50-52.

[6] 江澤慧,姜笑梅,周玉成，等. 杉木微觀結構與其品質特性關系模型的一類神經網絡建模方法[J]. 林業科學,2005,41(4):134-139.

[7] FREDRIC M. Principles of neurocomputing for science and engineering[M]. 北京:機械工業出版社,2003.

[8] 徐炳偉.基于BP-RBF神經網絡的地下連續墻變形預測[J].工程力學, 2009,26(S1):163-166.

[9] 湯嘉立,柳益君,蔡秋茹，等. 基于小生境遺傳神經網絡的材料力學性能預測[J]. 計算機仿真, 2011,28(1):209-213.

The Model of High Temperature and High Pressure Heat Treatment Wood of Mechanical Properties Based on Neural Network

YANG Hong1,2, CHENG Wan-li1

(1. Northeast Forestry University, Harbin, Heilongjiang 150040; 2. Heilongjiang Province Ecological Engineering Vocational College, Harbin, Heilongjiang 150025)

Wood high temperature and high pressure heat treatment is a relatively stable and very green wood heat treatment method. This research uses the BP neural network model to study the relations of high temperature and high pressure heat treatment and mechanical properties of wood, the results show that the BP neural network on the network building and predict performance effect is good. On the basis of this, the process parameters of wood heat treatment were analyzed and optimized, it is of great significance to the scientific and rational use of timber.

Wood high temperature and high pressure heat treatment; The BP neural network; Analysis and optimization

楊紅(1975- )，女，河北昌黎人，副教授，在讀博士，研究方向：木材科學與智能控制。

2015-04-28

S 126

A

0517-6611(2015)17-235-03