基于BP網絡的印楝微膠囊防腐劑載藥量分析

單軍越　徐國祺

摘 要：基于BP神經網絡對印楝提取物微膠囊防腐劑達到不同耐腐強度的載藥量范圍進行研究，分析印楝提取物微膠囊防腐劑的性能。通過對5種神經網絡的優化算法進行篩選，確定最終預測算法。對比分析不同藥劑的處理材在不同階段的試件質量，對兩種以印楝為基質的木材防腐劑達到不同耐腐程度所需藥劑量進行預測。結果表明，以印楝提取物微囊防腐劑處理的大青楊試樣達到強耐腐等級時載藥量為140.091～170.807 kg/m3，而以印楝提取物為防腐劑處理材達到耐腐等級的載藥量為42.462～70.930 kg/m3。模擬室外環境處理材，印楝提取物微膠囊試件損失質量為20.250 kg/m3。印楝提取物試件損失質量為25.250 kg/m3。從而說明用微膠囊包覆的印楝提取物在木材導管內具有更好的通過性及穩定性，微膠囊的緩釋作用使該防腐劑可以達到更高的防腐等級。

關鍵詞：印楝提取物;微膠囊;防腐劑;BP神經網絡;載藥量

中圖分類號：S782.33??? 文獻標識碼：A?? 文章編號：1006-8023（2020）06-0065-07

Analysis of Drug Loading of Neem Microcapsule Preservative

Based on BP Network

SHAN Junyue， XU Guoqi*

（College of Engineering and Technology， Northeast Forestry University， Harbin 150040， China）

Abstract：Based on the BP neural network， it studied the drug loading range of neem extract microcapsule preservatives to reach different corrosion resistance strengths， and to analyze the performance of neem extract microcapsule preservatives. Screen the optimization algorithms of 5 neural networks to determine the final prediction algorithm. By comparing and analyzing the weights of the specimens treated with different chemicals at different stages， the dosage of the two wood preservatives based on neem to achieve different corrosion resistance levels was predicted. The result revealed it was concluded that the sample of poupuiusussurensis treated with the microcapsule preservative of neem extract had a strong anti-corrosion performance with the demand of the drug in the range of 140.091-170.807 kg/m3， while the demand of the drug for the level of anti-corrosion performance treated by neem extract in the range of 42.462-70.930 kg/m3. Simulating outdoor environment， the mass loss of the neem extract microcapsule test specimen was 20.250 kg/m3. The mass loss of neem extract test piece was 25.250 kg/m3. It showed that the neem extract coated with microcapsules had better passability and stability in the wood catheter， and the slow release effect of the microcapsules enabled the preservative to reach a higher antiseptic level.

Keywords：Neem extract; microcapsule; preservative; BP neural network; drug loading

收稿日期：2020-07-13

基金項目：國家自然科學基金項目（31500470）;黑龍江省自然科學基金項目（C2016014）

第一作者簡介：單軍越，碩士研究生。研究方向：木材防腐。E-mail：1176101808@qq.com。

通信作者：徐國祺，博士，副教授。研究方向：木材防腐及改性處理。E-mail：xuguoqi_2004@126.com

引文格式：單軍越，徐國祺.基于BP網絡的印楝微膠囊防腐劑載藥量分析[J].森林工程，2020，36（6）：65-72.

SHAN J Y， XU G Q. Analysis of drug loading of neem microcapsule preservative based on BP network[J]. Forest Engineering，2020，36（6）：65-71.

0 引言

木材是人類生產、生活中的常用材料，但木材極易受腐朽菌、霉菌侵襲[1]。通過防腐處理可延長其使用壽命，從而達到節約木材資源的目的[2]。植物源木材防腐劑具有取材天然、毒性污染少、生物活性物質能循環利用、易于降解和良好的防腐抗菌性能等優點，為環保型木材防腐劑的研究開辟了一條新路徑[3]。印楝是一種抑菌效果優良的天然生物質材料，被美國農業部譽為“可解決全球問題之樹”[4-5]。伍亞瓊等[6]用印楝素對柑橘全爪螨的抑制效果進行了研究;張競文[7]研究了印楝果實及其提取物對蔬菜害蟲的防治作用;邸向輝[8]以印楝提取物為基質的木材微囊防腐劑進行了研究，得出了以印楝提取物微膠囊處理的大青楊木材達到了強耐腐等級。

微膠囊技術以高分子聚合物成膜材為基質，將一些分散成細小的具有反應活性、敏感或易揮發的小液滴、固體小顆?；驓怏w包覆使之形成一層薄膜包裹的微小囊狀物[9-11]。在木材防腐領域中，微膠囊技術能夠有效降低防腐劑對人體健康和環境的危害，實現防腐劑的緩慢可控釋放[12]。

BP神經網絡是應用最為廣泛的神經網絡模型之一，具備處理線性不可分問題的能力[13-15]。王立海等[16]應用BP神經網絡建立了森林生物量非線性遙感模型系統。周世玉等[17]應用BP神經網絡對地采暖木板釋熱溫度場進行預測，可有效獲取地采暖地板檢測腔體內部連續完整的溫度場。本文引入BP神經網絡對抑菌性能進行預測，為進一步預測該植物源微膠囊防腐劑的使用壽命提供依據。

1 材料與方法

1.1 數據來源及處理

邸向輝[8]在以印楝提取物為基質的木材防腐劑微膠囊制備及性能研究中，研究了印楝提取物、印楝提取物微膠囊（圖1）處理的大青楊木材耐腐性能，分別得到了60組實驗數據。影響因子包括浸注前木材干質量、浸注后木材濕質量、浸注后木材干質量、老化處理后木材干質量、防腐劑處理木材時長、腐朽后質量和質量損失率。本研究分別將60組數據中前50組作為訓練樣本集，后10組作為檢驗樣本集，利用人工神經網絡對不同耐腐強度下的載藥量進行預測。

1.2 建立神經網絡模型及確定隱含層節點數

BP神經網絡是前饋神經網絡的核心部分，廣泛應用于分類識別、逼近、回歸和壓縮等領域。網絡由多層構成，層與層之間全連接，同一層的神經元之間無連接。多層的網絡設計使網絡能從輸入中挖

圖1 印楝提取物微膠囊處理大青楊木材微觀結構

Fig.1 Microcapsule treatment of large green poplar wood

microstructure by neem extract

掘更多的信息，實現從輸入到輸出的映射功能，從而完成更復雜的任務，故很適合本研究的預測模型建立。

本研究基于Matlab R2015b平臺構建單隱層的BP神經網絡，利用該模型預測印楝提取物防腐劑對木材防腐性能的影響。輸入因子為數據來源部分中所述的7個影響因子，輸出因子為木材的載藥量，隱含層設置的節點數（M）根據數據擬合的精度來確定，一般的確定方法[18]見公式（1）：

M=n+m+a。（1）

式中：m和n分別為輸出層和輸入層的神經元個數;a為[0，10]的常數。

由于隱含層節點數是由公式（1）決定的，根據公式和輸入層、輸出層節點數來確定隱含層節點數的取值區間為[3，13]。本研究以印楝微膠囊溶液的實驗數據為例，為了確定最優的隱含層節點數，分別應用LM（Levenberg-Marquardt）算法和貝葉斯正則化（BR）算法進行比較，數據結果見表1和表2。

根據表1、表2中的數據對比，在LM算法中顯示，隨著隱含層節點數的增加，模型的RMSE值不斷減小，決定系數R2增大，而在M=8時模型精度達到最高。在BR算法中，決定系數（R2）和RMSE值隨隱層節點數變化增幅并不明顯，但在M=8或9時達到頂峰，結合兩種算法的結果分析，本研究將以隱含層層數M=8為本模型的隱層節點數。

1.3 輸入因子的歸一化及反歸一化

輸入因子包括：浸注前木材干質量、浸注后木材濕質量、浸注后木材干質量、老化處理后木材干質量、防腐處理時長、腐朽后質量和質量損失率。由于輸入因子的實驗數據具有不同的量級，所以在輸入神經網絡之前首先進行歸一化處理，可以有效地減少收斂次數，并且提高擬合精度[19]。該研究利用mapminmax函數[20]對數據輸入因子和輸出因子進行歸一化處理，映射到[-1，1]區間。歸一化處理的公式為：

Y=（Ymax-Ymin）×（X-Xmin）（Xmax-Xmin）。（2）

式中：Ymax =1，Ymin =-1，即把輸入因子映射到[-1，1]區間;Xmax與Xmin分別為輸入因子的最大值和輸入因子的最小值。

反歸一化則需要將預測得到數據從區間[-1，1]還原到實際的預測值[21]。

1.4 確定傳遞函數與參數設置

一般隱含層會使用Sigmoid函數，而輸出層會使用線性函數。隱含層函數選擇tansig函數公式：

f（x）=21+e-2x-1。（3）

參數設置為：學習速率0.01，最大迭代次數為1 000，目標精度為0.001，最大驗證失敗次數為10。

1.5 模型評價參數

模型的評價采用決定系數R2、均方根誤差（RMSE，記為σRMSE），見公式：

R2=1-ni=1（Yi-yi）2ni=1（Yi-Y）2（4）

σRMSE=1nni=1（Yi-yi）2。（5）

式中：n為樣本數;Yi為質損率的真實值;yi為模型預測值。

R2是決定系數，為擬合精度的指標，一般R2越接近1，表明模型對數據的擬合也越好。均方根誤差越小，模型擬合精度越高。

2 結果與分析

2.1 不同算法模型的對比分析

建立輸入變量為浸注前木材干質量、浸注后木材濕質量、浸注后木材干質量、老化處理后干質量、時間長度、腐朽后質量和質量損失率，輸出變量為載藥量，隱含層節點數為8的BP神經網絡。依次以5種優化算法LM算法、BR算法、CGB共軛梯度反向傳播算法、BFG擬牛頓反向傳播算法和SCG反向傳播算法分別應用于數據中進行建模和篩選，選擇該網絡的最佳算法。分別運行20次，以N為收斂次數，以N/20為收斂率[22]。以印楝提取物微膠囊處理材的實驗數據為例，進行預測和比較（表3）。

由表3可以看出，這幾種優化算法中BFG、CGB、SCG網絡模型的迭代次數明顯大于LM算法和BR算法，而且R2均值明顯小于LM算法和BR算法，其均方根誤差也明顯大于前兩種算法。BR算法擬合精度最高，最大決定系數也最大，從RMSE平均數可以看出其擬合效果最好，但收斂率只有65%，說明其收斂速度較慢。而在LM算法模型中，平均迭代次數只有4.7次，收斂次數為100%，說明模型訓練收斂速度快，且模型擬合精度較高，各方面均衡，為最優的訓練算法模型。

2.2 網絡性能評價測定

利用耐腐實驗的60組數據做模型預測，取前50組為訓練集，后10組為測試集，輸入因子為浸注前木材干質量、浸注后木材濕質量、浸注后木材干質量、老化處理后干質量、腐朽時長、腐朽后質量和質量損失率。印楝提取物微膠囊載藥量真實值與預測值對照和網絡性能如圖2所示。

在MATLAB 軟件中，數據輸入后會自動分成三份，一份用于訓練（Training）， 一份用于驗證（Validation）、一份用于測試（Test），如圖3所示。從圖3可以看出回歸結果越好，則參數R越接近1，數據點越靠近Y=T這條線，R值趨近于1，且數據點分布均勻，緊靠Y=T，證明此算法的數據擬合效果較好，模型精度很高。

2.3 兩種不同溶液下載藥量預測值與真實值對比

由以上分析得到的結論可以確定，該模型結構輸入層、隱含層、輸出層為7∶8∶1，選擇LM算法為BP神經網絡的訓練算法。利用該網絡分別對印楝提取物溶液、印楝提取物微膠囊處理材在不同耐腐等級情況下，應注入防腐劑的劑量大?。ㄝd藥量）進行預測。

由表4和表5可以看出，該BP網絡的預測值與真實值非常接近，且誤差很小，故該模型對這兩種木材防腐劑處理材載藥量的預測有效且比較準確。

邸向輝[8]在實驗中得出結論：印楝提取物處理的試件失重率為12.35%，屬于耐腐等級（11%～24%）;印楝提取物微囊處理的試件失重率為6.60%，屬于強耐腐等級[6]（0%～10%）。為保證處理材在該防腐劑的處理下達到應有的耐腐等級，故對該體積下達到兩種耐腐等級范圍內的載藥量進行預測。由于本研究中木材樣品的體積不是輸入因子，故本文僅對體積為4 cm3的樣品進行預測。7項輸入因子，除試件失重率以外，其他6項輸入因子均取60組樣品數據的平均數進行預測，分別運行10次，得到平均數作為預測的載藥量范圍。見表6和表7。

從表6和表7可以看出，以微膠囊為載體的印楝提取物防腐劑對4 cm3的樣品達到強耐腐等級時藥劑需求為140.091～170.807 kg/m3。以印楝提取物溶液為防腐劑處理材達到耐腐強度的藥劑需求范圍為42.462～70.930 kg/m3。

2.4 兩種防腐劑性能對比分析

對兩種防腐劑各項實驗數據得出浸注前干質量、浸注后濕質量、浸注后干質量和老化處理后干質量和腐朽后質量的平均值，見表8。

由表8可見，兩種不同防腐劑用滿細胞法浸注后，同樹種同體積處理材質量基本一致（浸注后濕質量）。在烘干至恒重后，得到處理材浸注后干質量，即處理材與留存到木材細胞內部防腐劑的質量和。印楝提取物微膠囊防腐劑處理材平均載藥量可以達到170 kg/m3（0.680 g/件），印楝提取物溶液防腐劑處理材平均載藥量為52.5 kg/m3（0.210g/件）。微膠囊為載體的印楝提取物防腐劑更容易的進入木材的細胞內部，并留存于木材內部。

由于印楝提取物存在著對環境適應力差的不穩定特性，故對處理材進行了紫外、噴淋和凝露等處理，處理后微膠囊試件損失質量為20.250 kg/m3（0.081g/件）。印楝提取物試件損失質量為25.250 kg/m3（0.101g/件）。印楝提取物微膠囊防腐劑處理的木材老化處理后的失重率低于印楝提取物溶液防腐劑處理木材，進一步證明了微膠囊包覆的印楝提取物被更好地保護且穩定性更高，具有更好的緩釋性能。

3 結論

本研究首次將BP神經網絡預測模型引入到預測植物源木材防腐劑性能領域中，本文以印楝提取物溶液、印楝提取物微膠囊處理材為例，構建了防腐性能預測BP神經網絡，并驗證了BP神經網絡在木材防腐性能預測上的可行性。通過對5種優化算法的挑選，確定了（LM） 算法為防腐性能BP 網絡模型的最優訓練算法。

本研究對印楝提取物和以微囊為載體的印楝提取物防腐劑處理后的大青楊木材樣品進行藥劑需求量預測。得到初步的結論，以微囊為載體的印楝提取物防腐劑處理的樣品達到強耐腐等級的藥劑需求范圍為140.091～170.807kg/m3，而以印楝提取物直接為防腐劑處理材達到耐腐強度的藥劑需求范圍為42.462～70.930kg/m3。盡管單純印楝提取物處理后木材達到耐腐等級所需載藥量遠低于以微囊為載體的印楝提取物防腐劑處理后木材達到強耐腐等級的載藥量，但是由于其不穩定性，即使增大載藥量，用其處理的木材樣品也無法達到強耐腐等級。本研究沒有對不同體積、不同樹種處理材需求的藥劑劑量進行預測，后續研究中會對其進行深入探索。

以微膠囊為載體的印楝提取物防腐劑相比印楝提取物溶液防腐劑更易通過木材內部的導管，從而達到吸收更多藥量的效果。且在復雜的室外環境中表現出更為優異的穩定性，通過微囊破裂緩慢釋放出藥劑使防腐強度更高。關于木材內微膠囊緩釋動力學的研究已經開展，會在之后的文獻中闡述其方法與結論。

【參 考 文 獻】

[1]GAO H， YANG M M， DANG B， et al. Natural phenolic compound-iron complexes： sustainable solar absorbers for wood-based solar steam generation devices[J]. RSC Advances， 2020， 10（2）：1152-1158.

[2]于洪楓，牟洪波，戚大偉，等.甲苯胺藍介導的光動力療法對一種白腐菌的抑制[J].森林工程，2019，35（2）：50-54.

YU H F， MU H B， QI D W， et al. Effect of toluidine blue-mediated photodynamic therapy on white-rot fungi[J]. Forest Engineering， 2019， 35（2）：50-54.

[3]李彤彤，李冠君，李曉文，等.植物源木材防腐劑的研究進展[J].熱帶農業科學，2018，38（10）：85-88.

LI T T， LI G J， LI X W， et al. Research advances in botanical wood preservatives[J]. Chinese Journal of Tropical Agriculture， 2018， 38（10）： 85-88.

[4]National Research Council. Neem： a tree for solving global problems[M]. Washington DC： National Academy Press， 1992.

[5]劉露晨，徐國祺.印楝提取物制備的微囊防腐劑在木材中的固化規律[J].北京林業大學學報，2018，40（4）：117-124.

LIU L C， XU G Q. Curing rule of microcapsules preservatives prepared from neem extracts in wood[J] . Journal of Beijing Forestry University， 2018， 40（4）：117-124.

[6]伍亞瓊，張偉，羅懷海，等.植物源農藥印楝素對柑橘全爪螨的防治效果[J].植物醫生，2017，30（4）：54-56.

WU Y Q， ZHANG W， LUO H H， et al. The control effect of plant-based pesticide azadirachtin on citrus mite[J]. Plant Doctor， 2017， 30（4）： 54-56.

[7]張競文.印楝果實及其提取物對蔬菜害蟲防治作用[D].沈陽：沈陽農業大學，2016.

ZHANG J W. The effect of neem fruit and its extracts on vegetable pests[D]. Shenyang： Shenyang Agricultural University， 2016.

[8]邸向輝.以印楝提取物為基質的木材防腐劑微囊制備及性能研究[D].哈爾濱：東北林業大學，2014.

DI X H. Preparation and performance of a wood preservative microcapsule based on bioactivities of neem seed[D]. Harbin： Northeast Forestry University， 2014.

[9]劉萬龍，陳合興，何洛強，等.緩釋香精微膠囊技術的研究進展[J].香料香精化妝品，2019，46（4）：82-88.

LIU W L， CHEN H X， HE L Q， et al. Research progress on encapsulation and controlled release technologies for flavour and fragrance[J]. Flavour Fragrance Cosmetics， 2019， 46（4）： 82-88.

[10]張慧娜，何一凡，李麗.微膠囊技術在化妝品中的應用進展[J].日用化學工業，2020，50（2）：124-128.

ZHANG H N， HE Y F， LI L. Advances in the applications of microcapsules in cosmetics[J]. China Surfactant Detergent & Cosmetics， 2020， 50（2）： 124-128.

[11]李爽，張雙紅，楊波，等.微膠囊技術在防腐涂層領域的應用[J].化工新型材料，2020，48（2）：32-36.

LI S， ZHANG S H， YANG B， et al. The application of microcapsule in the anti-corrosion coating[J]. New Chemical Materials， 2020， 48（2）： 32-36.

[12]胡拉，呂少一，傅峰，等.微膠囊技術在木質功能材料中的應用及展望[J].林業科學，2016，52（7）：148-157.

HU L， LV S Y， FU F， et al. Review of application of microencapsulation in wood functional materials and its future trends[J]. Scientia Silvae Sinicae， 2016， 52（7）： 148-157.

[13]林卓，吳承禎，洪偉，等.基于BP神經網絡和支持向量機的杉木人工林收獲模型研究[J].北京林業大學學報，2015，37（1）：42-47.

LIN Z， WU C Z， HONG W， et al. Yield model of Cunninghamialanceolata plantation based on back propagation neural network and support vector machine[J]. Journal of Beijing Forestry University， 2015， 37（1）： 42-47.

[14]牟洪波，王世偉，戚大偉，等.基于灰度共生矩陣和模糊BP神經網絡的木材缺陷識別[J].森林工程，2017，33（4）：40-43.

MU H B， WANG S W， QI D W， et al. Wood defects recognition based on gray-level co-occurrence matrix and fuzzy BP neural network[J]. Forest Engineering， 2017， 33（4）：40-43.

[15]馬翔宇，王曉豐，段文英.落葉松木材干燥的BP神經網絡模型研究[J].森林工程，2015，31（1）：63-65.

MA X Y， WANG X F， DUAN W Y. Research on BP neural network model of larch wood drying[J]. Forest Engineering， 2015， 31（1）：63-65.

[16]王立海，邢艷秋.基于人工神經網絡的天然林生物量遙感估測[J].應用生態學報，2008，19（2）：261-266.

WANG L H， XING Y Q. Remote sensing estimation of natural forest biomass based on an artificial neural network[J]. Chinese Journal of Applied Ecology， 2008， 19（2）：261-266.

[17]周世玉，杜光月，褚鑫，等.地采暖木地板釋熱溫度場的BP神經網絡預測[J].林業科學，2018，54（11）：158-163.

ZHOU S Y， DU G Y， CHU X， et al. Prediction of thermal released field by the wood flooring for ground with heating system based on BP network[J]. Scientia Silvae Sinicae， 2018， 54（11）： 158-163.

[18]張德豐.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2009.

ZHANG D F. MATLAB neural network application design[M]. Beijing： China Machine Press， 2009.

[19]徐志揚.基于BP神經網絡的馬尾松樹高曲線模型[J].林業調查規劃，2015，40（2）：6-8，73.

XU Z Y. Height-diameter model for Pinus massoniana based on BP neural network[J]. Forest Inventory and Planning， 2015， 40（2）： 6-8， 73.

[20]沈劍波，雷相東，李玉堂，等.基于BP神經網絡的長白落葉松人工林林分平均高預測[J].南京林業大學學報（自然科學版），2018，42（2）：147-154.

SHEN J B， LEI X D， LI Y T， et al. Prediction mean height for Larix olgensis plantation based on Bayesian-regularization BP neural network[J]. Journal of Nanjing Forestry University （Natural Sciences Edition）， 2018， 42（2）： 147-154.

[21]董云飛，孫玉軍，王軼夫，等.基于BP神經網絡的杉木標準樹高曲線[J].東北林業大學學報，2014，42（7）：154-156.

DONG Y F， SUN Y J， WANG Y F， et al. Generalized height-diameter model for Chinese fir based on BP neural network[J]. Journal of Northeast Forestry University， 2014， 42（7）： 154-156.

[22]王軼夫，孫玉軍，郭孝玉.基于BP神經網絡的馬尾松立木生物量模型研究[J].北京林業大學學報，2013，35（2）：17-21.

WANG Y F， SUN Y J， GUO X Y. Single-tree biomass modeling of Pinus massoniana based on BP neural network[J]. Journal of Beijing Forestry University， 2013， 35（2）： 17-21.