楊紅　程萬(wàn)里　任麗麗

(東北林業(yè)大學(xué)，哈爾濱，150040)

?

高溫高壓蒸汽改性落葉松木材力學(xué)性能預(yù)測(cè)模型的建立1)

楊紅程萬(wàn)里任麗麗

(東北林業(yè)大學(xué)，哈爾濱，150040)

摘要利用RBF神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種算法建模，分析落葉松高溫高壓蒸汽改性工藝參數(shù)與其力學(xué)性能關(guān)系；以落葉松熱處理的溫度、相對(duì)濕度、處理時(shí)間3個(gè)主要工藝參數(shù)作為網(wǎng)絡(luò)輸入，建立了RBF神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)預(yù)測(cè)模型，并對(duì)兩者進(jìn)行比較。結(jié)果表明：支持向量機(jī)模型，在網(wǎng)絡(luò)建立結(jié)構(gòu)、收斂速度和泛化能力上更具優(yōu)勢(shì)。

關(guān)鍵詞高溫高壓蒸汽改性；落葉松；木材力學(xué)性能

分類號(hào)S781

Prediction Model of Mechanical Properties ofLarixgmeliniat High Temperature and Pressurized Steam

Yang Hong, Cheng Wanli, Ren Lili

(Northeast Forestry University, Harbin 150040, P. R. China)//Journal of Northeast Forestry University，2016,44(4)：77-80,85.

We used RBF neural network and support vector machine to study the relationship betweenLarixgmelinimodification process parameters and its mechanical properties of high temperature and pressurized Steam. With the heat treatment temperature, relative humidity, processing time as network input, we established the RBF neural network and support vector machine forecasting model, and compared the two models. The support vector machine (SVM) model in network structure, convergence speed and generalization ability has great significance.

KeywordsHigh temperature and pressurized steam modification; The relational model; RBF neural network; Support vector machine

木材熱改性工藝參數(shù)對(duì)木材力學(xué)性能的影響，是一個(gè)非線性的復(fù)雜過(guò)程，所以很難簡(jiǎn)單建立一個(gè)理想的、符合實(shí)際情況的模型。人工神經(jīng)網(wǎng)絡(luò)，可以充分逼近任意復(fù)雜的非線性關(guān)系，具有自學(xué)習(xí)功能和高速尋找優(yōu)化解的能力[1]，所以常常被用于材料加工工藝的優(yōu)化處理方面；但這種建模方法在木材熱改性工藝優(yōu)化方面應(yīng)用很少。支持向量機(jī)作為現(xiàn)代科學(xué)領(lǐng)域的研究方向，現(xiàn)已成為機(jī)器學(xué)習(xí)的研究焦點(diǎn)[2]。其理論基礎(chǔ)十分堅(jiān)實(shí)，使其在模式識(shí)別和回歸預(yù)測(cè)等方面獲得了極大成功。人工神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過(guò)程中存在的局部極小和過(guò)學(xué)習(xí)等問(wèn)題，支持向量機(jī)則克服了這些弱點(diǎn)。因此，利用支持向量機(jī)對(duì)木材高溫高壓蒸汽改性與其力學(xué)性能關(guān)系建立預(yù)測(cè)模型，將可能得到較高的預(yù)測(cè)精度和泛化推廣能力。

本研究利用RBF神經(jīng)網(wǎng)絡(luò)算法和支持向量機(jī)算法2種建模方法，研究落葉松木材高溫高壓蒸汽改性工藝參數(shù)與其力學(xué)性能關(guān)系。以落葉松木材熱改性的溫度、處理時(shí)間、相對(duì)濕度3個(gè)主要工藝參數(shù)作為網(wǎng)絡(luò)輸入，建立RBF神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)預(yù)測(cè)模型，并對(duì)兩者進(jìn)行比較。旨在對(duì)落葉松木材熱改性后力學(xué)性能的變化進(jìn)行模擬仿真預(yù)測(cè)，分析落葉松木材熱改性工藝參數(shù)與力學(xué)性能之間的關(guān)系，確定適宜熱改性工藝。

1建立模型依據(jù)

人工神經(jīng)網(wǎng)絡(luò)(ANN)是模仿人類智能的一種非常重要的方法[3]；徑向基函數(shù)(RBF)網(wǎng)絡(luò)，由于其結(jié)構(gòu)簡(jiǎn)單、收斂速度快、能夠逼近任意非線性函數(shù)，逐步在不同行業(yè)和領(lǐng)域得到了廣泛應(yīng)用。RBF網(wǎng)絡(luò)是由三層構(gòu)成的前向網(wǎng)絡(luò)。第一層為輸入層，節(jié)點(diǎn)個(gè)數(shù)等于輸入的維數(shù)；第二層為隱含層，節(jié)點(diǎn)個(gè)數(shù)視問(wèn)題的復(fù)雜度而定；第三層為輸出層，節(jié)點(diǎn)個(gè)數(shù)等于輸出數(shù)據(jù)的維數(shù)。徑向基函數(shù)網(wǎng)絡(luò)與多層感知器不同，它的不同層有著不同的功能，隱含層是非線性的，采用徑向基函數(shù)作為基函數(shù)，從而將輸入向量空間轉(zhuǎn)換到隱含層空間，使原來(lái)線性不可分的問(wèn)題變得線性可分，輸出層則是線性的。

支持向量機(jī)(SVM)由Vapnik等首先提出，是一種品質(zhì)優(yōu)良的機(jī)器學(xué)習(xí)方法[4]。支持向量機(jī)最初是用來(lái)解決分類的問(wèn)題，但其可以很容易地?cái)U(kuò)充到回歸問(wèn)題中[5]。如果將學(xué)習(xí)機(jī)器訓(xùn)練集中的分類標(biāo)記(yi)的取值范圍，由yi∈Y={1，-1}變?yōu)閥i∈Y=R(R為一個(gè)實(shí)數(shù))，即樣本數(shù)據(jù)對(duì)應(yīng)的函數(shù)值為實(shí)值，則問(wèn)題求解由模式識(shí)別問(wèn)題轉(zhuǎn)化為回歸問(wèn)題，這種形式的支持向量機(jī)被稱為支持向量回歸機(jī)(SVR)。本文建立的模型即為支持向量回歸機(jī)模型。

2數(shù)據(jù)采集與整理

試材選用厚度為22 mm的東北落葉松鋸材，經(jīng)溫度為120～210 ℃、壓力為0.1～0.9 MPa、不同條件的飽和蒸汽或過(guò)熱蒸汽處理0.5～3.0 h后，將處理材干燥至含水率8%～10%，置于相對(duì)濕度65%、溫度為20 ℃環(huán)境條件下，待其平衡后測(cè)其相應(yīng)的力學(xué)性能。

木材力學(xué)性能的檢測(cè)，參照《木材順紋抗壓強(qiáng)度試驗(yàn)方法》、《木材抗彎強(qiáng)度試驗(yàn)方法》、《木材抗彎彈性模量測(cè)定方法》、《木材硬度試驗(yàn)方法》規(guī)定進(jìn)行檢測(cè)。每組試驗(yàn)均采用3次平行試驗(yàn)所得結(jié)果的算術(shù)平均值作為最終的實(shí)驗(yàn)結(jié)果。

本課題組前期研究已經(jīng)表明，影響落葉松木材力學(xué)性能的主要工藝參數(shù)為處理溫度、處理時(shí)間和相對(duì)濕度。經(jīng)木材力學(xué)性能檢測(cè)(見(jiàn)表1)表明：熱改性木材在順紋抗壓強(qiáng)度上強(qiáng)度上與素材相比，總體高于素材強(qiáng)度，隨著溫度升高，上升趨勢(shì)幅度變小，200 ℃以上呈略下降趨勢(shì)；熱改性木材在抗彎強(qiáng)度上與素材相比，總體呈現(xiàn)下降趨勢(shì)，熱改性工藝條件對(duì)抗彎強(qiáng)度影響較大，200 ℃以上下降幅度變大；熱改性工藝參數(shù)對(duì)木材抗彎彈性模量的影響與素材相比，總體上呈下降趨勢(shì)，但變化幅度不大，200 ℃以上下降幅度有所增加；熱改性工藝參數(shù)對(duì)硬度的影響總體不大，與素材相比，出現(xiàn)先上升后下降的趨勢(shì)，200 ℃以上下降幅度變大。這與前人的研究結(jié)論基本一致，也表明本試驗(yàn)所得到的木材熱處理后力學(xué)性能原始數(shù)據(jù)準(zhǔn)確可靠，可以為后繼建模提供原始樣本數(shù)據(jù)。

表1　木材高溫高壓蒸汽改性工藝參數(shù)與力學(xué)性能關(guān)系

3模型構(gòu)建及結(jié)果

3.1模型構(gòu)建參數(shù)選擇和基礎(chǔ)樣本確定

木材高溫高壓熱改性工藝參數(shù)很多，包括熱改性溫度、時(shí)間、壓力、濕度、保護(hù)介質(zhì)和樹(shù)種等，其中濕度和壓力往往是相關(guān)聯(lián)的，濕度越高則對(duì)應(yīng)蒸汽壓力越大。大量試驗(yàn)結(jié)果表明，熱改性溫度對(duì)材料影響最大，在較高溫度條件下對(duì)材料的處理效果，很難用較低溫度條件下延長(zhǎng)熱改性時(shí)間來(lái)達(dá)到。所以，本研究模型的輸入?yún)?shù)選擇為熱改性工藝中影響最大的3個(gè)參數(shù)(時(shí)間、溫度、相對(duì)濕度)，輸出則為落葉松鋸材對(duì)應(yīng)的5個(gè)重要力學(xué)性能(順紋抗壓強(qiáng)度、抗彎強(qiáng)度、抗彎彈性模量、徑面硬度、弦面硬度)。根據(jù)上述試驗(yàn)結(jié)果，為了保證原始數(shù)據(jù)的科學(xué)合理性，本神經(jīng)網(wǎng)絡(luò)模型所用樣本數(shù)據(jù)每一條件下取3組，共264組數(shù)據(jù)；其中隨機(jī)抽取80組作為訓(xùn)練數(shù)據(jù)，30組作為測(cè)試數(shù)據(jù)。

3.2RBF神經(jīng)網(wǎng)絡(luò)模型建立與檢測(cè)

本研究建立的模型使用Matlab軟件編程。對(duì)數(shù)據(jù)建模前，首先對(duì)建模數(shù)據(jù)進(jìn)行歸一化處理，待模型訓(xùn)練完成后再進(jìn)行反歸一化操作。網(wǎng)絡(luò)參數(shù)設(shè)置為：輸入層和輸出層結(jié)點(diǎn)數(shù)和BP網(wǎng)絡(luò)相同，分別為3和5；隱含層結(jié)果初始值設(shè)為10，根據(jù)需要自動(dòng)調(diào)整；網(wǎng)絡(luò)訓(xùn)練精度設(shè)為0.000 01；開(kāi)始對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。設(shè)徑向基網(wǎng)絡(luò)函數(shù)為net=newrb(p,t,goal,spread,M,D)。需注意擴(kuò)散因子(spread)參數(shù)值的設(shè)定，對(duì)于變化較快的函數(shù)，如果spread取值過(guò)大，可能使逼近網(wǎng)絡(luò)的結(jié)果過(guò)于粗糙；對(duì)于變化緩慢的函數(shù)，spread如果取值過(guò)小，可能使逼近的函數(shù)不夠光滑，造成過(guò)學(xué)習(xí)，降低泛化能力。本研究經(jīng)過(guò)多次驗(yàn)證，最終spread值設(shè)為1.6，網(wǎng)絡(luò)綜合性能最好。網(wǎng)絡(luò)經(jīng)過(guò)29次迭代后達(dá)到預(yù)定精度停止(見(jiàn)圖1)。

圖1　RBF網(wǎng)絡(luò)訓(xùn)練結(jié)果

為了驗(yàn)證該RBF網(wǎng)絡(luò)性能，隨機(jī)抽取30個(gè)樣

本點(diǎn)用于測(cè)試，將實(shí)際試驗(yàn)值與預(yù)測(cè)值對(duì)比(見(jiàn)圖2)。統(tǒng)計(jì)得出：30個(gè)預(yù)測(cè)樣本實(shí)際值與測(cè)試值最大相對(duì)誤差絕對(duì)值為6.24%、平均相對(duì)誤差為2.4%，說(shuō)明RBF神經(jīng)網(wǎng)絡(luò)用于落葉松木材熱改性力學(xué)性能的預(yù)測(cè)是可行的，且具有較高的精度。模型對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行了很好的擬合。

3.3支持向量機(jī)模型建立與檢測(cè)

為了和RBF神經(jīng)網(wǎng)絡(luò)建立的預(yù)測(cè)模型進(jìn)行性能上的對(duì)比，本模型使用的訓(xùn)練樣本和測(cè)試樣本與神經(jīng)網(wǎng)絡(luò)模型的完全相同，即：在所有樣本數(shù)據(jù)中抽取80組作為訓(xùn)練數(shù)據(jù)，30組作為測(cè)試數(shù)據(jù)，然后對(duì)它們進(jìn)行統(tǒng)一的歸一化處理。

圖2　RBF網(wǎng)絡(luò)測(cè)試樣本點(diǎn)實(shí)際值與預(yù)測(cè)值比較

先利用交叉驗(yàn)證CV方法對(duì)訓(xùn)練參數(shù)c和g進(jìn)行粗略優(yōu)化，取值范圍設(shè)定為(-8，8)之間，然后根據(jù)得到的粗略選擇結(jié)果進(jìn)行精細(xì)選擇，得到最終的優(yōu)化參數(shù)值c=18.379 2、g=0.007 8。

為了驗(yàn)證支持向量機(jī)建立的模型的性能，采用和前面RBF神經(jīng)網(wǎng)絡(luò)相同的30個(gè)樣本點(diǎn)作為測(cè)試點(diǎn)，30個(gè)測(cè)試樣本的實(shí)際值與預(yù)測(cè)值的最大相對(duì)誤差絕對(duì)值為3.41%、平均相對(duì)誤差1.12%，圖3是這30個(gè)數(shù)據(jù)的擬合圖。由圖3可見(jiàn)：樣本數(shù)據(jù)預(yù)測(cè)值與真實(shí)值非常接近，曲線擬合的很好。說(shuō)明該模型對(duì)于輸入樣本有著很好的預(yù)測(cè)能力，模型預(yù)測(cè)精度非常高，屬于高精度預(yù)測(cè)模型；所建模型泛化性能良好，完全可以對(duì)落葉松木材高溫高壓熱改性的力學(xué)性能進(jìn)行預(yù)測(cè)，為改善落葉松木材熱改性工藝參數(shù)提供良好的技術(shù)支持。

3.4RBF神經(jīng)網(wǎng)絡(luò)模型與支持向量機(jī)模型性能對(duì)比

采用多種訓(xùn)練樣本數(shù)和測(cè)試樣本數(shù)，比較RBF模型與SVR模型性能指標(biāo)(見(jiàn)表2)。由表2可見(jiàn)：SVR模型樣本訓(xùn)練平均相對(duì)誤差，比RBF模型的樣本平均相對(duì)誤差偏大，但其對(duì)應(yīng)的預(yù)測(cè)樣本的平均相對(duì)誤差卻總體小、精度高。這說(shuō)明神經(jīng)網(wǎng)絡(luò)具有很高的訓(xùn)練精度，但其泛化能力和推廣能力卻不很理想。

圖3　支持向量機(jī)算法測(cè)試樣本點(diǎn)實(shí)際值與預(yù)測(cè)值比較

訓(xùn)練樣本/個(gè)測(cè)試樣本/個(gè)RBF神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練平均相對(duì)誤差/%預(yù)測(cè)平均相對(duì)誤差/%SVR算法模型訓(xùn)練平均相對(duì)誤差/%預(yù)測(cè)平均相對(duì)誤差/%301001.23.51.61.8601001.53.71.51.61001001.71.91.81.91501001.41.51.51.4

當(dāng)樣本集中樣本數(shù)量發(fā)生變化時(shí)，兩者的泛化誤差均有所變化。RBF模型的誤差變化較大，尤其當(dāng)訓(xùn)練樣本數(shù)目小于60時(shí)，其預(yù)測(cè)平均相對(duì)誤差已經(jīng)明顯偏高，預(yù)測(cè)能力變得較差；SVR模型在小樣本的情況下，仍然能夠保持高質(zhì)量的預(yù)測(cè)能力[6]。說(shuō)明SVR模型對(duì)于樣本的依賴程度比RBF模型小。

隨著樣本集數(shù)目的逐漸增多，兩者的預(yù)測(cè)能力差距減少，但SVR算法模型仍然表現(xiàn)出較好的預(yù)測(cè)能力。

4結(jié)論

用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)建立了木材高溫高壓熱改性后力學(xué)性能的預(yù)測(cè)模型，并對(duì)這兩種預(yù)測(cè)模型的性能進(jìn)行了比較，統(tǒng)計(jì)得出：在RBF神經(jīng)網(wǎng)絡(luò)算法中，預(yù)測(cè)樣本實(shí)際值與測(cè)試值最大相對(duì)誤差絕對(duì)值為6.24%、平均相對(duì)誤差為2.4%，模型對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行了很好的擬合；在SVM算法中，預(yù)測(cè)樣本實(shí)際值與測(cè)試值最大相對(duì)誤差絕對(duì)值為3.24%、平均相對(duì)誤差為1.12%。結(jié)果表明：利用支持向量機(jī)建立的模型，比RBF神經(jīng)網(wǎng)絡(luò)建立的模型預(yù)測(cè)誤差更小、精度更高，是一種性能優(yōu)良的建模方法。

參考文獻(xiàn)

[1]曹秋香，郭福生，曹養(yǎng)同.地質(zhì)公園研究概論[J].水利科技與經(jīng)濟(jì)，2007，13(5)：317-319，341.

[2]薛濱瑞，吳成基.陜西柞水溶洞國(guó)家地質(zhì)公園地質(zhì)遺跡景觀資源與評(píng)價(jià)[J].資源開(kāi)發(fā)與市場(chǎng)，2014，30(1)：35-37，75.

[3]趙遜，趙汀.地質(zhì)公園發(fā)展與管理[J].地球?qū)W報(bào)，2009，30(3)：301-308.

[4]穆桂松，李大偉.我國(guó)地質(zhì)公園建設(shè)中的問(wèn)題和對(duì)策[J].地域研究與開(kāi)發(fā)，2007，26(4)：79-81.

[5]孔石，付勵(lì)強(qiáng)，宋慧，等.中國(guó)自然保護(hù)區(qū)與國(guó)家地質(zhì)公園空間分布差異[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2014，45(9)：73-78.

[6]申燕萍.區(qū)域地質(zhì)旅游資源的評(píng)價(jià)方法[J].南陽(yáng)師范學(xué)院學(xué)報(bào)，2005，4(12)：68-71.

[7]張松婷，周秉根，張賢付.湛江湖光巖地質(zhì)公園資源特色與旅游景觀評(píng)價(jià)研究[J].國(guó)土資源科技管理，2007，24(5)：122-125，121.

[8]彭永祥，吳成基.地質(zhì)遺跡資源保護(hù)與利用協(xié)調(diào)性評(píng)價(jià)：以陜西省為例[J].資源科學(xué)，2006，28(1)：192-197.

[9]方世明，李江風(fēng)，趙來(lái)時(shí).地質(zhì)遺跡資源評(píng)價(jià)指標(biāo)體系[J].地球科學(xué)——中國(guó)地質(zhì)大學(xué)學(xué)報(bào)，2008，33(2)：285-288.

[10]袁荃，曾克峰.基于AHP與菲羅模型評(píng)價(jià)地質(zhì)遺跡景觀：以貴州思南烏江喀斯特國(guó)家地質(zhì)公園為例[J].國(guó)土資源科技管理，2012，29(2)：84-90.

[11]余珍風(fēng)，劉元鵬.房山世界地質(zhì)公園地質(zhì)遺跡景觀資源特征及評(píng)價(jià)[J].資源與產(chǎn)業(yè)，2009，11(2)：46-50.

[12]陸林.旅游規(guī)劃原理[M].北京：高等教育出版社，2005.

收稿日期：2015年10月22日。

作者簡(jiǎn)介：第一楊紅，女，1975年12月生，東北林業(yè)大學(xué)材料科學(xué)與工程學(xué)院，博士研究生；現(xiàn)工作于黑龍江生態(tài)工程職業(yè)學(xué)院，副教授。E-mail：71941844@qq.com。

1)國(guó)家自然科學(xué)基金項(xiàng)目(30871981)。

責(zé)任編輯：張玉。