陳 坤，鄭梯和，宋克東，田祥儒，張 瑜

（株洲時(shí)代新材料科技股份有限公司，湖南 株洲412007）

BP神經(jīng)網(wǎng)絡(luò)在PP/POE－g－MAH增韌PA6研究中的應(yīng)用

陳 坤，鄭梯和，宋克東，田祥儒，張 瑜

（株洲時(shí)代新材料科技股份有限公司，湖南 株洲412007）

采用均勻設(shè)計(jì)法和BP神經(jīng)網(wǎng)絡(luò)研究了聚丙烯（PP）/乙烯－辛烯共聚物接枝馬來酸酐（POE－g－MAH）對(duì)聚酰胺6（PA6）的增韌作用，并在此基礎(chǔ)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(qiáng)度關(guān)系的3層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。結(jié)果表明，該模型與實(shí)驗(yàn)結(jié)果基本吻合，可信度較高；當(dāng)POE－g－MAH含量為14.00%（質(zhì)量分?jǐn)?shù)，下同）、PP含量為9.00%時(shí)，共混物的缺口沖擊強(qiáng)度達(dá)到92.12kJ/m2。

神經(jīng)網(wǎng)絡(luò)；聚酰胺6；聚丙烯；增韌；馬來酸酐

0 前言

PA6具有力學(xué)性能高、韌性好、電氣性能佳、耐磨、耐油、耐弱酸堿等一系列優(yōu)異性能，是一種應(yīng)用廣泛的工程塑料［1］。但是PA6在干態(tài)和低溫時(shí)沖擊強(qiáng)度較低，即表現(xiàn)出明顯的缺口敏感性，不能滿足當(dāng)前高科技對(duì)材料高性能的要求，也引發(fā)人們對(duì)其進(jìn)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(dāng)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(bào)道。

回歸擬合法是一種常用的實(shí)驗(yàn)數(shù)據(jù)分析的方法，但是當(dāng)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(tǒng)的回歸擬合方法難以滿足使用要求［5］。BP神經(jīng)網(wǎng)絡(luò)是一種人工智能方法，以實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)，經(jīng)過有限次的迭代計(jì)算而獲得的一個(gè)反映實(shí)驗(yàn)數(shù)據(jù)內(nèi)在聯(lián)系的數(shù)學(xué)模型，具有極強(qiáng)的非線性處理、自組織調(diào)整、自適應(yīng)學(xué)習(xí)及容錯(cuò)抗噪能力，特別適用于研究材料配方與制品性能之間關(guān)系的復(fù)雜的非線性系統(tǒng)特性［6］，但是在這方面的研究和報(bào)導(dǎo)甚少。

本研究在實(shí)驗(yàn)的基礎(chǔ)上建 立 PA6/PP/POE－g－MAH共混物沖擊性能的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并預(yù)測(cè)確定了PP/POE－g－MAH增韌PA6的最佳用量。

1 實(shí)驗(yàn)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(guó)石油天然氣股份有限公司。

1.2 主要設(shè)備及儀器

電熱恒溫干燥箱，GZX－DH－3043J，上海躍進(jìn)醫(yī)療器械廠；

雙螺桿擠出機(jī)，F(xiàn)Y－35，南京富亞橡塑機(jī)械制造有限公司；

注塑機(jī)，WG－80，無錫格蘭機(jī)械集團(tuán)有限公司；

擺錘沖擊試驗(yàn)機(jī)，XJC－2225，承德精密實(shí)驗(yàn)機(jī)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(jī)中擠出造粒，將粒料在100～110℃干燥4～8h，用注塑機(jī)注塑成標(biāo)準(zhǔn)樣條。

1.4 性能測(cè)試與結(jié)構(gòu)表征

懸臂梁缺口沖擊強(qiáng)度按GB/T 1843—2008進(jìn)行測(cè)試，V形缺口，深度為2mm，擺錘能量為22J。

2 結(jié)果與討論

2.1 配方設(shè)計(jì)

神經(jīng)網(wǎng)絡(luò)對(duì)樣本的要求比較高，不但要真實(shí)可靠，而且要具有一定的代表性。一般在做神經(jīng)網(wǎng)絡(luò)時(shí)采用正交試驗(yàn)或均勻設(shè)計(jì)來選擇樣本。均勻設(shè)計(jì)法［7］是我國(guó)著名的數(shù)學(xué)家方開泰和王元合作首創(chuàng)的試驗(yàn)設(shè)計(jì)法，已在國(guó)防、科技、工業(yè)、農(nóng)業(yè)等領(lǐng)域有了成效顯著的應(yīng)用［8］。與正交試驗(yàn)相比，均勻試驗(yàn)設(shè)計(jì)具有試驗(yàn)次數(shù)少，優(yōu)化效果明顯，便于實(shí)施等優(yōu)點(diǎn)［9］。本實(shí)驗(yàn)選擇U21＊（217）均勻設(shè)計(jì)表安排實(shí)驗(yàn)，如表1所示。

表1 實(shí)驗(yàn)方案及結(jié)果Tab.1 Experimental results

2.2 BP神經(jīng)網(wǎng)絡(luò)的建立

神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量節(jié)點(diǎn)（或稱神經(jīng)元）和相互的加權(quán)連接構(gòu)成。由于BP算法是沿著誤差函數(shù)減小最快的方向，也就是梯度的反方向改變權(quán)值和偏差；因此BP神經(jīng)網(wǎng)絡(luò)又稱誤差反向傳播神經(jīng)網(wǎng)絡(luò)，是一種多層的前向型神經(jīng)網(wǎng)絡(luò)。目前在神經(jīng)網(wǎng)絡(luò)的多數(shù)應(yīng)用中，均采用BP神經(jīng)網(wǎng)絡(luò)及其變化形式［10］。

BP神經(jīng)網(wǎng)絡(luò)的各項(xiàng)參數(shù)包括網(wǎng)絡(luò)的輸入層、隱含層、輸出層以及各層傳遞函數(shù)。BP神經(jīng)網(wǎng)絡(luò)具有1個(gè)輸入層，1個(gè)輸出層和至少1個(gè)隱含層，如圖1所示。不同層之間通過權(quán)重因子連接。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型Fig.1 Model for BP neural network

設(shè)輸入的數(shù)目為M，其中任意一個(gè)用m來標(biāo)記；隱含層記為I，包含I個(gè)神經(jīng)元，其中任意一個(gè)神經(jīng)元用i來標(biāo)記；輸出層記為P，包含P個(gè)神經(jīng)元，其中任意一個(gè)用p來標(biāo)記；神經(jīng)元的輸入記為u，輸出記為v；各層之間的權(quán)值記為w；用上標(biāo)表示神經(jīng)元所處的層，下標(biāo)表示層中的序號(hào)；f表示傳遞函數(shù)。設(shè)k為樣本數(shù)量，則網(wǎng)絡(luò)的輸入訓(xùn)練樣本集為Xk＝［xk1，xk2，…，xkm］，對(duì)于各層的中間值可以寫出如下表達(dá)式：

隱含層第i個(gè)神經(jīng)元的輸入為：

隱含層第i個(gè)神經(jīng)元的輸出為：

輸出層第p個(gè)神經(jīng)元輸出為：

輸出層第p個(gè)神經(jīng)元的輸出誤差為：

定義誤差能量為：

輸出層所有神經(jīng)元的誤差能量總和（E）為：

誤差與信號(hào)相反，從后向前傳播，在反向傳播過程中，逐層修改權(quán)值和偏差。

研究表明，增加隱含層的層數(shù)不一定能提高網(wǎng)絡(luò)的精度和表達(dá)能力，一般情況下，選用1個(gè)隱含層就足夠了，輸入層和輸出層的神經(jīng)元數(shù)分別由輸入數(shù)據(jù)和輸出數(shù)據(jù)的維數(shù)確定。鑒于上述因素，本實(shí)驗(yàn)選擇1層隱含層，這樣BP模型具有1個(gè)輸入層、1個(gè)隱含層和1個(gè)輸出層，即3層BP模型。本研究以表1中的實(shí)驗(yàn)方案及結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)的樣本建立BP神經(jīng)網(wǎng)絡(luò)。第1層為含有3個(gè)神經(jīng)元的輸入層，3個(gè)神經(jīng)元分別代表3個(gè)輸入變量，即PA6、POE－g－MAH和PP的含量；第3層為含有1個(gè)神經(jīng)元的輸出層，即沖擊強(qiáng)度；在輸入層與輸出層之間為神經(jīng)元隱含層。由于隱含層的神經(jīng)元個(gè)數(shù)與所研究問題相關(guān)，目前的研究結(jié)果還難以給出隱含層的神經(jīng)元個(gè)數(shù)與問題的類型和規(guī)模之間的函數(shù)關(guān)系，只有通過模擬實(shí)驗(yàn)決定［11］；通過選用不同隱含層神經(jīng)元個(gè)數(shù)進(jìn)行模擬，發(fā)現(xiàn)6個(gè)隱含層神經(jīng)元適合于本問題。實(shí)驗(yàn)采用神經(jīng)網(wǎng)絡(luò)隱含層結(jié)點(diǎn)的傳遞函數(shù)“tansig”、網(wǎng)絡(luò)輸出層傳遞函數(shù)“purelin”；在神經(jīng)網(wǎng)絡(luò)建立過程中，不斷調(diào)整網(wǎng)絡(luò)各層之間的權(quán)重因子，直到模擬結(jié)果與實(shí)驗(yàn)結(jié)果誤差小于0.0010。

輸入層與隱含層之間的權(quán)重因子以及隱含層與輸出層之間的權(quán)重因子可以描述所建立的神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)中的權(quán)重因子見表2、3。

表2 連接輸入層與隱含層各權(quán)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(quán)重因子Tab.3 The weighting factor connecting implied layer and the output layer

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

圖2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型Fig.2 Forecasting model of neural networks

2.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)能力的測(cè)試

為了表明所建立的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)能力，將實(shí)測(cè)值與預(yù)測(cè)值進(jìn)行對(duì)比，結(jié)果如表4所示。可以看出，當(dāng)POE－g－MAH含量為14.00%時(shí)，共混物的沖擊強(qiáng)度隨著PP含量的增加而增加；當(dāng)PP含量達(dá)到9.00%時(shí)，共混物的沖擊強(qiáng)度達(dá)到92.12kJ/m2；此后進(jìn)一步增加PP的含量，共混物的沖擊強(qiáng)度有所降低，這與實(shí)驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)一致。同時(shí)從表4還可以看出神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)測(cè)值兩者非常接近。因此，可以認(rèn)為該神經(jīng)網(wǎng)絡(luò)具有很好的預(yù)測(cè)能力，可以有效地預(yù)測(cè)POE－g－MAH和PP對(duì)PA6的增韌作用。

表4 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與實(shí)測(cè)值結(jié)果對(duì)比Tab.4 Neural network prediction results and actual results contrast

3 結(jié)論

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

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

（3）3層BP神經(jīng)網(wǎng)絡(luò)能很好地預(yù)測(cè)高分子復(fù)合材料的性能，BP神經(jīng)網(wǎng)絡(luò)是一種非常有效的模擬工具。

［1］ 張 堅(jiān)，辛集忠，鄭海忠，等.選區(qū)激光燒結(jié)中能量密度對(duì)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(fā)饒，等.（PE/POE）－g－MAH 增韌尼龍6的研究［J］.現(xiàn)代塑料加工應(yīng)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(yīng)用研究［J］.塑料，2005，34（6）：18－23.

［5］ 曾衛(wèi)東，舒 瀅，周義剛.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)Ti－10V－2Fe－3Al合金的力學(xué)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(jīng)網(wǎng)絡(luò)在橡膠配方設(shè)計(jì)中的應(yīng)用［J］.橡膠工業(yè)，2002，49（2）：73－76.

［7］ 方開泰.均勻設(shè)計(jì)與均勻設(shè)計(jì)表［M］.北京：科學(xué)出版社，1994：3－4.

［8］ 姚鐘堯.回歸分析法在均勻設(shè)計(jì)數(shù)據(jù)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(yàn)與均勻試驗(yàn)優(yōu)化效果比較［J］.中國(guó)衛(wèi)生統(tǒng)計(jì)，2009，26（2）：139－142.

［10］ 朱 凱，王正林.精通matlab神經(jīng)網(wǎng)絡(luò)［M］.北京：電子工業(yè)出版社，2010：193－194.

［11］ 余娟麗，王紅潔，張 健，等.神經(jīng)網(wǎng)絡(luò)在制備氮化硅多孔陶瓷中的應(yīng)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(lián)系人，76206690＠163.com