基于BP神經網絡的非織造材料基復合吸聲體吸聲系數預測

基于BP神經網絡的非織造材料基復合吸聲體吸聲系數預測

王雙閃1相增輝1蘭桂柳1左洪運1左保齊2，3

(1. 江蘇佰家麗新材料科技有限公司，蘇州，215141；

2. 蘇州大學現代絲綢國家工程實驗室，蘇州，215123；

3. 蘇州大學紡織與服裝工程學院，蘇州，215021)

摘要：以滌綸針刺非織造材料和聚丙烯熔噴非織造材料為研究對象，通過實驗獲得其物理結構參數，并將復合前后非織造材料厚度、面密度、孔隙率和孔徑作為BP神經網絡的輸入項，用于預測吸聲體的平均吸聲系數，同時通過調節輸入神經元個數、傳遞函數和隱含層個數構建了最佳的BP神經網絡預測模型。對非織造材料基復合吸聲體的吸聲性能進行預測，并與測試結果進行了對比。結果表明，運用BP神經網絡可以建立較理想的適用于復合吸聲體平均吸聲系數預測的模型。

關鍵詞：非織造材料，復合吸聲體，Back Propagation 神經網絡，吸聲系數

中圖分類號：TS176+.5文獻標志碼：A

收稿日期：2014-08-17

作者簡介：王雙閃,女，1988年生，助理工程師。主要從事非織造材料的聲學性能研究。

噪聲不僅對人們正常生活和工作造成極大干擾，影響人們交談、思考，影響人的睡眠，使人產生煩躁、反應遲鈍，工作效率降低，分散注意力，引起工作事故，更嚴重的情況是噪聲可使人的聽力和身心健康受到損害[1]。據世界衛生組織(WHO)的數據顯示：2011年噪聲性耳聾病例比2010年增加46.85%；2012年比2010年增加77.78%，比2011年增加21.06%[2]。

吸聲材料的發展越來越引起人們的重視，同時吸聲材料的應用領域也得到了很大的拓展。在交通運輸和室內裝修等領域對吸聲材料提出了新的需求，所以人們用特定的加工工藝生產特定的非織造產品用作吸聲材料來適應多變的市場需求很有必要。非織造材料內部有大量相互連通的孔洞，屬于典型的多孔材料，特別是針刺非織造材料具有多孔性和通透性，非常適宜用作吸聲材料。

當聲波在材料內部傳播時，各處的質點振動速度不同，存在速度差，使相鄰質點間產生相互作用的黏滯力或摩擦力，阻礙質點運動，從而使部分聲能轉化為熱能，就此達到減少噪聲的目的。

為對針刺非織造材料基復合吸聲體進行吸聲性能預測，本文運用Back Propagation(BP)神經網絡，通過各結構參數對材料吸聲性能的影響來調整輸入神經元個數，同時調整傳遞函數和隱含層個數，得到最優的BP神經網絡吸聲系數預測模型，并比較了預測結果與測試結果的差異。

通信作者：左保齊，E-mail: bqzuo@suda.edu.cn

1實驗部分

1.1　材料

聚丙烯熔噴非織造材料(海南產)；

聚酰胺(PA)絲網狀熱熔膠(上海產)，面密度35 g/m2，熔點105～120℃；

滌綸針刺非織造材料(江蘇佰家麗新材料科技有限公司提供)。

1.2　儀器

YG141N數字式型織物厚度儀(0.01～10 mm)，南通宏大公司；

CFP-1100-AEX毛細管流動空隙測量儀(0.09～500 μm)，美國施多威爾公司；

SW463阻抗管，北京聲望聲電技術有限公司；

日本日立S-4800掃描電鏡，直尺，賽多利斯天平(0.000 1 g)。

1.3　復合材料的制備

本文以同一工藝生產的不同厚度的五種滌綸針刺非織造材料為基礎，分別記為Z1～Z5，通過復合不同工藝生產的超細聚丙烯熔噴非織造材料得到不同的復合吸聲體。其中，生產超細聚丙烯熔噴非織造材料的原料是在聚丙烯切片中加入了三種不同配方的母粒，分別記為R1～R3。使用每種母粒配方料生產的不同結構參數的超細聚丙烯熔噴非織造材料分別記為Rij。例如，R12表示使用第一種母粒配方生產的2號產品,R32表示使用第三種母粒配方生產的2號產品。

經過多次試驗，確定復合材料的制備方法如下：

將材料剪成30 cm×50 cm大小，在不同材料之間夾入熱熔纖網；將一塊玻璃板放入熱風干燥烘箱底部并開啟烘箱，預設溫度115 ℃；當烘箱內的溫度達到預設溫度時，平行放入準備好的材料，熱熔纖網融化后將滌綸針刺非織造材料和聚丙烯熔噴非織造材料黏結在一起，2 min后將玻璃板和材料一同取出，自然降至常溫，即可得到復合吸聲體。

1.4　材料物理參數測試

1.4.1測試方法

1.4.1.1厚度

針刺非織造材料和熔噴非織造材料的厚度均采用YG 141N型織物厚度儀，依據國家標準GB/T 3820—1997《紡織品和紡織制品厚度的測定》進行測試。壓腳面積2 000 mm2，加壓200 cN。同種樣品取三塊試樣，每塊試樣測試10次(正、反面各測試5次)，30次測試數據的平均值即為該樣品的厚度數據。

1.4.1.2面密度

取樣方法參見標準GB/T 13760—1992《土工布的取樣和試樣準備》，依據FZ/T 6003—1991《非織造布面密度測定》進行面密度測定。用圓形取樣器進行切割取樣，獲得圓形試樣。取樣卷數由有關雙方商定。除實驗有關要求外，所選卷裝織物應無破損、呈原封不動狀。在切割取樣過程中應注意在同一樣品中截取，卷裝的頭兩層不應取樣；應盡量避免在有污漬、不規則塊、折痕、孔洞或其他損傷的部分取樣。在取樣前，需先對材料進行24 h調濕，然后再進行取樣和測試。

用賽多利斯天平稱重，測得試樣質量，計算每塊試樣的單位面積質量，即為材料的面密度。

1.4.1.3孔徑

本實驗采用CFP-1100-AEX毛細管流動空隙測量儀對材料的孔徑進行測試。測試儀的工作原理是：將樣品用潤濕液浸潤至飽和，再將樣品放入測量儀內，通過計算機控制氣流的大小，氣體穿過樣品，直到克服最大孔徑對應的氣壓，此點即為泡點壓力；此后，壓力會繼續以小的增量增加，直至排出的氣體產生流動且流動液體被排空，干樣品繼續產生流速對壓力的數據。據此即可計算得出干、濕態下樣品的最大孔徑、最小孔徑以及平均孔徑。

計算公式[3]如下：

(1)

式中：d——孔徑(m)；

γ——液體表面張力(N/cm)；

θ——接觸角(°)；

p——氣壓壓力差(kPa)。

1.4.1.4孔隙率

非織造材料的孔隙率是指材料的孔隙體積與總體積的比值，通過計算求得。計算公式[3]如下：

(2)

式中：n——孔隙率(%)；

ρ——纖維密度(g/m3)；

m——材料面密度(g/m2)；

δ——材料厚度(m)。

非織造材料的孔隙率因所受壓力的不同而不同。在不承壓的情況下，孔隙率一般在90%以上，承壓后孔隙率明顯降低。本實驗中材料的厚度、面密度都是在不承壓的情況下測得的，因此所得的材料孔隙率也是不承壓狀態。

1.4.2測試結果

復合吸聲體材料結構參數的測試結果見表1。

1.5　材料吸聲系數測試

1.5.1測試方法

本實驗運用駐波管法，采用SW463阻抗管對材料進行測試。設定溫度為25 ℃，相對濕度為75%，在該條件下的大氣壓力為101 325.0 Pa，大氣密度為1.2 kg/m3，聲速346.116 m/s。依據ISO 10534-2:1998《聲學 阻抗管中吸聲系數和比阻抗率的測量 第2部分:傳遞函數法》進行測試，測量采用傳遞函數法。

表1　復合吸聲體的結構參數

1.5.2測試結果

由于溫度、濕度等環境條件對于纖維材料的聲學性能可能造成一定的影響，因此所有實驗均在恒溫恒濕實驗室進行。測試結果見表2。

2BP神經網絡構建

BP神經網絡模型的構建需要大量的數據，同時為了能構建最優的網絡模型需要多次調整神經元的輸入個數、隱含層神經元個數、激活函數等參數。本文共采用100組數據，其中前80組數據用于神經網絡的構建，后20組數據用于神經網絡的驗證。

表2　復合吸聲體的平均吸聲系數

每層超細聚丙烯熔噴非織造材料和滌綸針刺非織造材料均有厚度、面密度、孔隙率和平均孔徑4個參數，復合材料為三層結構，因此本文以12個結構參數指標作為網絡輸入。設置網絡最大訓練次數為100，訓練要求精度為0.000 01，即均方誤差小于0.000 01為網絡收斂條件。本文按一定步長選取數值對神經網絡進行訓練與預測輸出，復合吸聲體所用BP神經網絡隱含層神經元個數選擇為4、14和24。由于輸出層是一層，因此選擇purelin函數作為輸出層的激活函數[4]。

選用matlab4.8版本進行軟件編程和數據模擬。先將超細聚丙烯熔噴非織造材料和滌綸針刺非織造材料的厚度、面密度、孔隙率、平均孔徑和材料的吸聲系數放置在EXCEL表中，并在matlbe軟件中引用該表格數據，然后進行編程預測。通過改變引用數據可以對不同的實驗結果進行預測和驗證。程序中的Tamura hsv=shuangceng4(:,1:4)為引用數據， emotions=shuangceng4(:,5)為實驗數據。只需要調整程序中的引用數據范圍，即可對不同的實驗數據進行模擬和預測。

具體的程序編程如下：

load shuangceng4

N=size(shuangceng4,1);

P=0.2;

Q=1-P;

[training_index,test_index] = crossvalind(‘Resubstitution’,N,[P,Q]);

[a,b]=find(training_index==0);

if N～=sum(training_index+test_index)

training_index(a(1))=1;

end

Tamura_hsv=shuangceng4(:,1:4);

emotions=shuangceng4(:,5);

features_training = Tamura_hsv(training_index,:);

features_test = Tamura_hsv(test_index,:);

targets_training_1 = emotions(training_index,1);

targets_test_1 = emotions(test_index,1);

[features_training_n,features_training_ps]=mapminmax(features_training’);

[targets_training_1_n,targets_training_1_ps]=mapminmax(targets_training_1’);

features_training=features_training_n;

targets_training_1=targets_training_1_n;

net=newff(features_training,targets_training_1,12,{‘tansig’,‘purelin’});%

net.trainparam.epochs=200;

net.trainparam.lr=0.1;

net.trainparam.goal=0.000001;

net=train(net,features_training,targets_training_1);

features_test_n = mapminmax(‘apply’,features_test’,features_training_ps);

an=sim(net,features_test_n);

targets_prediction_1=mapminmax(‘reverse’,an,targets_training_1_ps);

error=abs(targets_prediction_1-targets_test_1’);

error_mean=mean(error);

disp(error_mean)

figure(1)

plot(targets_prediction_1,‘:ko’)

hold on

plot(targets_test_1,‘-*’)

legend(‘預測值’,‘實測值’)

ylabel(‘平均吸聲系數’)

xlabel(‘測試樣本’)

figure(2)

plot(error,‘-*’)

ylabel(‘預測誤差’)

xlabel(‘測試樣本’)

3實驗結果與分析

用訓練好的BP神經網絡預測復合吸聲體平均吸聲系數輸出。通過比較測試結果與預測結果的關系，得出最佳的神經網絡預測模型。圖1為復合吸聲體吸聲系數的測試結果與預測結果的比較，圖2為與圖1對應的復合吸聲的預測誤差。該預測模型對應輸入神經元個數是6，隱含層是13，激活函數是logsig。

圖1　復合吸聲體吸聲系數的測試結果 與預測結果

圖2　預測誤差

從圖1和圖2可以看出，對于復合材料，當輸入神經元個數為12，隱含層為4層，隱含層激活函數為logsig時，輸出誤差最小。可見隱含層適當，同時激活函數選擇合適，則可以得出較為理想的BP神經網絡預測模型。

4結論

(1)運用BP神經網絡可以建立較理想的適用于復合吸聲體平均吸聲系數的預測模型。對于非織造材料基復合吸聲體，當輸入神經元個數為12，隱含層為4層，隱含層激活函數為logsig時的BP神經網絡預測模型，其輸出誤差最小。

(2)對于復合吸聲體的BP神經網絡預測模型，并不是輸入神經元個數越多，誤差越小，而是輸入信息必須對結果具有顯著性的影響，且隱含層神經元個數也存在最優個數，隱含層激活函數對輸出結果也有較大的影響。

參考文獻

[1]陳劍雄,豐薇薇.噪聲對職業機動車駕駛員血壓的影響[J].職業與健康,2013,29(15):1881-1885.

[2]春泓.職業噪聲危害,切莫“充耳不聞”[J].中國社會保障,2013(4):52-53.

[3]王雙閃，劉建立，劉健，等.非織造材料基三明治結構吸聲體吸聲性能研究[J].上海紡織科技,2014,41(12):56-60.

[4]史峰,王小川,郁磊，等.MATLAB神經網絡30個案例分析[M].北京:北京航空航天大學出版社,2010:54-64.

歡迎訂閱2015年度

《產業用紡織品》《國際紡織導報》

Acoustic absorption coefficient prediction of nonwovens

matrix composite based on BP neuron network

WangShuangshan1,XiangZenghui1,LanGuiliu1,ZuoHongyun1,ZuoBaoqi2,3

(1. Jiangsu Burgeree New Technology Materials Co,. Ltd.;

2. National Engineering Laboratory for Modern Silk, Soochow University;

3. College of Textile and Clothing Engineering, Soochow University)

Abstract:Polypropylene melt-blown nonwovens and polyester fiber needle-punched nonwovens as the research object, through experiments its physical structure parameters can be obtained. The thickness, density, pore size and porosity of composite nonwovens at composition before and after as the input of Back Propagation(BP)neural network were used to predict the average sound absorption coefficient of the nonwovens matrix composite absorber. In order to get the optimum network, the number of input neuron, transfer function and the number of hider layer were adjusted. The average sound absorption coefficient of the nonwovens matrix composite absorber was predicted by BP neural network, and was compared the predicting outcomes with test result. The result showed that with the optimum BP neural network can be set up ideal model for nonwovens matrix composite absorber.

Keywords:nonwovens, composite absorber, Back Propagation neural network, sound absorption coefficient