基于神經網絡的三層織物結構消防服裝的熱防護性能預測

陳曉淵 鄢友娟

1.武警總部直屬保障大隊采購服務站，北京 102613；2.武警研究院，北京 100071

具有阻燃防火效果的消防服裝憑借其優良的阻燃特性和隔熱特性，可對工作在危險熱環境中的消防員、武警官兵等進行有效防護，避免他們遭受各種火災和極端熱環境的影響[1]。消防服裝通常包含外層織物、防潮屏障層織物和絕熱襯墊三層織物結構[2]。織物的熱防護性能受這三層材料各項性能參數(如面密度、厚度、結構、水蒸氣滲透性等)的影響。

已有許多研究人員通過實驗室模擬熱環境試驗，研究了這種具有三層結構的熱防護織物的性能。然而，通過熱環境試驗評價不同織物的特性不僅耗時長，而且成本高昂。此外，由于難以考量不同織物參數對熱防護性能的影響，需建立一種新的系統來有效預測三層阻燃防火消防服裝的熱防護性能。人工神經網絡(ANN)是一種可通過合理的網絡結構配置擬合任意非線性函數，并根據給定輸入參數預測輸出值的有效途徑[3]。目前，已有很多研究人員嘗試采用ANN評價織物的各項參數對其熱防護性能的影響。

ANN廣泛用于紡織行業中紗線和織物的性能預測，紡織品缺陷檢測、質量控制，以及性能識別與分類等領域[4-5]。由于應用過程中，很多與預測相關的問題和紡織過程是非線性的，因此ANN被認為是一種合適的預測方法。已有一些研究人員建立了ANN，用以預測紡織品熱阻并探討紡織品的熱性能。但目前尚未有研究對消防服裝的熱防護性能進行預測探討。本文建立了6種ANN，分別對構成消防服裝的三層織物的對流換熱和輻射傳熱特性進行預測，以預測三層織物結構消防服裝的熱防護性能。

1 材料與方法

1.1 織物試樣與參數

分別選擇2種外層織物、2種防潮屏障層織物和4種絕熱襯墊，制作了不同織物組合的消防服裝試樣。其中，外層織物由Nomex、聚苯并咪唑(PBI)和Kevlar纖維制成；防潮屏障層織物由聚氨酯織物層積阻燃劑制成；絕熱襯墊由含有聚氨酯層積阻燃劑的機織物制成，其表面縫合有具有阻燃功能的非織造布。選取織物的經紗線密度、緯紗線密度、經密、緯密、面密度、厚度及極限氧指數(LOI)等參數作為ANN的輸入量。這些織物參數與織物的熱變形性能有關。根據TS 250 EN 1049-2測試外層織物的經、緯密；根據TS 7128 EN ISO 5084測試織物的厚度；根據TS 251測試織物的面密度；根據ASTM D 2863獲取外層織物的LOI，以及防潮屏障層織物的LOI和水蒸氣阻力參數。

1.2 測試方法

由2種不同的外層織物、2種不同的防潮屏障層織物和4種不同的絕熱襯墊，共制得16種三層織物試樣(即消防服裝試樣)，測試這些三層織物試樣的熱防護性能。消防服裝系統的熱防護性能與通過織物層的輻射熱傳遞特性有關。針對消防服裝熱防護性能的關鍵參數，本文分別測試織物試樣的對流換熱和輻射傳熱參數。

1.2.1 對流換熱的測量

參照EN 367Protectiveclothing-Protectionagainstheatandflames-Testmethod:Determinationoftheheattrasmissiononexposuretoflame測試三層織物試樣的對流換熱性能。通過測量在80 kW/m2的對流熱源覆蓋下，試樣溫度分別達12 ℃和24 ℃所需的時間，確定織物的對流換熱指數(H12和H24)。

1.2.2 輻射傳熱的測量

根據EN ISO 6942Protectiveclothing-Protectionagainstheatandfire-Methodoftest:Evaluationofmaterialsandmaterialassemblieswhenexposedtoasourceofradiantheat測試三層織物試樣的輻射傳熱性能。將三層織物試樣暴露在40 kW/m2的輻射熱源中，記錄試樣溫度分別達12 ℃和24 ℃所需的時間，確定織物的輻射換熱指數(R12和R24)。

16種織物試樣的規格參數及其對流換熱指數和輻射傳熱指數測試結果如表1所示。

2 人工神經網絡

多層感知神經網絡(MLPNN)是一種重要的ANN，適用于不同學科領域的應用。MLPNN由輸入層、一個或多個隱藏層及輸出層組成。相鄰層神經元之間的互連由權重提供，并且信息流由正向輸入和輸出。輸入層沒有計算單元，僅在隱藏層和輸出層進行層神經元的計算。通過反向傳播算法的加權調整，可獲得從輸入到輸出的非線性映射[6]。反向傳播算法的目的是減少原始訓練輸出與實際輸出之間的誤差。

試驗將完整的數據集分為訓練集、驗證集和測試集3個部分，訓練集用于訓練神經網絡以獲得最小誤差。本文采用MLPNN，所測量的織物參數一共有12項(表1)。由于經紗線密度和緯紗線密度值相等，因此只選取其中一項作為ANN的輸入值。為尋求較好的網絡性能，本文利用MATLAB軟件構建了具有單個隱藏層的6種不同的MLPNN(網絡1～網絡6)，用以預測三層織物的對流換熱和輻射傳熱參數。

表1 16種織物試樣的規格參數及其對流換熱指數和輻射傳熱指數

圖1給出了所構建的網絡的框圖。

圖1 網絡框圖

3 結果與討論

本文對所構建的6種網絡進行了不同數量的隱藏層及每個層中神經元的訓練。采用Levenberg-Marquardt反傳播算法對神經網絡進行訓練，該算法被認為是可提供優化權重和偏置值的快速算法。數據集被隨機分為3個部分：70%用于訓練、10%用于驗證、剩余20%用于測試網絡。為了獲得相當的結果，所有凈工程均接受了相同數據集的訓練和測試。

僅一個輸出項的網絡1和網絡2分別被訓練用來預測EN 367標準的H12和H24，僅一個輸出項的網絡3和網絡4被訓練用來預測EN ISO 6942標準的R12和R24。網絡5和網絡6分別用以預測EN 367標準的H12和H24及EN ISO 6942標準的R12和R24各兩個輸出。圖2和圖3為分別采用網絡1～網絡4獲得的EN 367和EN ISO 6942標準下輸出值與期望值的對比。圖4和圖5為分別采用網絡5和網絡6獲得的EN 367和EN ISO 6942標準下輸出值與期望值的對比。由圖4和圖5可知，網絡輸出值(預測值)與期望值(測試值)之間存在很好的近似關系。

圖2 EN 367標準下H12和H24輸出值(網絡1和網絡2)與期望值的對比

圖3 EN ISO 6942標準下R12和R24輸出值(網絡3和網絡4)與期望值的對比

圖4 EN 367標準下H12和H24輸出值(網絡5)與期望值的對比

圖5 EN ISO 6942標準下R12和R24輸出值(網絡6)與期望值的對比

通過計算測試值與預測值間的平均絕對百分比誤差(M)，對6種神經網絡的預測性能進行比較。M的計算式如式(1)所示。其中，n為樣本總數。

(1)

網絡1～網絡6的平均絕對百分比誤差值及相關系數如表2所示。其中，網絡5和網絡6因有兩個輸出，其平均絕對百分比誤差和相關系數值為基于兩個輸出計算結果的平均值。由表2可以看出，6種網絡的平均絕對百分比誤差值近似，在4.97%～6.89%范圍內。然而，根據EN 367標準獲得的數據進行訓練的網絡所得誤差值比根據EN ISO 6942標準獲得的數據訓練的網絡稍好。預測性能改進的可能原因是EN 367標準減少了輸出數據項之間的相似性。網絡5和網絡6證實了有兩個輸出的網絡具有更好的預測性能，尤其是網絡5，在所有6種網絡中表現最佳。期望值與預測值的相關系數可用來表征線性關系的強度和方向。網絡1～網絡4的相關系數接近，而網絡5和網絡6的相關系數更高，表明后兩個網絡輸出的預測值在同一標準范圍內的誤差較小。

表2 6種網絡的平均絕對百分比誤差值及相關系數

4 結論

本文采用MATLAB軟件構建了具有單個隱藏層的6種不同的多層感知神經網絡，預測三層結構消防服裝用織物的對流換熱指數和輻射換熱指數，以預測織物的熱防護性能。其中，網絡1～網絡4由12個輸入項組成，僅包含1個輸出項，復合了對流換熱和輻射換熱的估測指標。網絡5和網絡6由12個輸入項和2個輸出項組成，分別用于計算對流換熱和輻射換熱指標，從而有效表征消防服的熱防護性能。預測結果表明，所有6種人工神經網絡的平均絕對百分比誤差值均接近，且每種網絡的預測值與試驗值均具有很好的相關性；本文提出的多層感知神經網絡可有效地預測織物的對流換熱和輻射換熱指數，且具有兩個輸出的神經網絡(網絡5和網絡6)具有更好的預測性能，能夠有效評估消防服裝的熱防護性能。