BP神经网络在PP/POE－g－MAH增韧PA6研究中的应用

陈 坤，郑梯和，宋克东，田祥儒，张 瑜

（株洲时代新材料科技股份有限公司，湖南 株洲412007）

BP神经网络在PP/POE－g－MAH增韧PA6研究中的应用

陈 坤，郑梯和，宋克东，田祥儒，张 瑜

（株洲时代新材料科技股份有限公司，湖南 株洲412007）

采用均匀设计法和BP神经网络研究了聚丙烯（PP）/乙烯－辛烯共聚物接枝马来酸酐（POE－g－MAH）对聚酰胺6（PA6）的增韧作用，并在此基础上建立了PA6/PP/POE－g－MAH共混物中各组分含量与共混物冲击强度关系的3层BP神经网络预测模型。结果表明，该模型与实验结果基本吻合，可信度较高；当POE－g－MAH含量为14.00%（质量分数，下同）、PP含量为9.00%时，共混物的缺口冲击强度达到92.12kJ/m2。

神经网络；聚酰胺6；聚丙烯；增韧；马来酸酐

0 前言

PA6具有力学性能高、韧性好、电气性能佳、耐磨、耐油、耐弱酸碱等一系列优异性能，是一种应用广泛的工程塑料［1］。但是PA6在干态和低温时冲击强度较低，即表现出明显的缺口敏感性，不能满足当前高科技对材料高性能的要求，也引发人们对其进行增韧改性［2］。赵 永 红 等［3］、鲁 成 祥 等［4］分 别 采 用 ［聚 乙 烯（PE）/POE］－g－MAH、（PP/POE）－g－MAH 增 韧 PA6，并取得显著效果。但是，当前的研究中普遍是采用MAH接枝聚烯烃及其弹性体增韧PA6，而采用MAH－g－POE和没有接枝的PP共混来增韧PA6却鲜见报道。

回归拟合法是一种常用的实验数据分析的方法，但是当因素较多，各影响因素之间呈高度非线性且交互影响的情况下，传统的回归拟合方法难以满足使用要求［5］。BP神经网络是一种人工智能方法，以实验数据为基础，经过有限次的迭代计算而获得的一个反映实验数据内在联系的数学模型，具有极强的非线性处理、自组织调整、自适应学习及容错抗噪能力，特别适用于研究材料配方与制品性能之间关系的复杂的非线性系统特性［6］，但是在这方面的研究和报导甚少。

本研究在实验的基础上建 立 PA6/PP/POE－g－MAH共混物冲击性能的BP神经网络预测模型，并预测确定了PP/POE－g－MAH增韧PA6的最佳用量。

1 实验部分

1.1 主要原料

PA6，YH700，岳阳石油化工总厂；

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，中国石油天然气股份有限公司。

1.2 主要设备及仪器

电热恒温干燥箱，GZX－DH－3043J，上海跃进医疗器械厂；

双螺杆挤出机，FY－35，南京富亚橡塑机械制造有限公司；

注塑机，WG－80，无锡格兰机械集团有限公司；

摆锤冲击试验机，XJC－2225，承德精密实验机有限公司。

1.3 样品制备

将PA6在110℃干燥箱中干燥4h，然后与POE－g－MAH、PP按表1比例混合均匀后在双螺杆挤出机中挤出造粒，将粒料在100～110℃干燥4～8h，用注塑机注塑成标准样条。

1.4 性能测试与结构表征

悬臂梁缺口冲击强度按GB/T 1843—2008进行测试，V形缺口，深度为2mm，摆锤能量为22J。

2 结果与讨论

2.1 配方设计

神经网络对样本的要求比较高，不但要真实可靠，而且要具有一定的代表性。一般在做神经网络时采用正交试验或均匀设计来选择样本。均匀设计法［7］是我国著名的数学家方开泰和王元合作首创的试验设计法，已在国防、科技、工业、农业等领域有了成效显著的应用［8］。与正交试验相比，均匀试验设计具有试验次数少，优化效果明显，便于实施等优点［9］。本实验选择U21＊（217）均匀设计表安排实验，如表1所示。

表1 实验方案及结果Tab.1 Experimental results

2.2 BP神经网络的建立

神经网络是一种运算模型，由大量节点（或称神经元）和相互的加权连接构成。由于BP算法是沿着误差函数减小最快的方向，也就是梯度的反方向改变权值和偏差；因此BP神经网络又称误差反向传播神经网络，是一种多层的前向型神经网络。目前在神经网络的多数应用中，均采用BP神经网络及其变化形式［10］。

BP神经网络的各项参数包括网络的输入层、隐含层、输出层以及各层传递函数。BP神经网络具有1个输入层，1个输出层和至少1个隐含层，如图1所示。不同层之间通过权重因子连接。

图1 BP神经网络模型Fig.1 Model for BP neural network

设输入的数目为M，其中任意一个用m来标记；隐含层记为I，包含I个神经元，其中任意一个神经元用i来标记；输出层记为P，包含P个神经元，其中任意一个用p来标记；神经元的输入记为u，输出记为v；各层之间的权值记为w；用上标表示神经元所处的层，下标表示层中的序号；f表示传递函数。设k为样本数量，则网络的输入训练样本集为Xk＝［xk1，xk2，…，xkm］，对于各层的中间值可以写出如下表达式：

隐含层第i个神经元的输入为：

隐含层第i个神经元的输出为：

输出层第p个神经元输出为：

输出层第p个神经元的输出误差为：

定义误差能量为：

输出层所有神经元的误差能量总和（E）为：

误差与信号相反，从后向前传播，在反向传播过程中，逐层修改权值和偏差。

研究表明，增加隐含层的层数不一定能提高网络的精度和表达能力，一般情况下，选用1个隐含层就足够了，输入层和输出层的神经元数分别由输入数据和输出数据的维数确定。鉴于上述因素，本实验选择1层隐含层，这样BP模型具有1个输入层、1个隐含层和1个输出层，即3层BP模型。本研究以表1中的实验方案及结果作为BP神经网络的样本建立BP神经网络。第1层为含有3个神经元的输入层，3个神经元分别代表3个输入变量，即PA6、POE－g－MAH和PP的含量；第3层为含有1个神经元的输出层，即冲击强度；在输入层与输出层之间为神经元隐含层。由于隐含层的神经元个数与所研究问题相关，目前的研究结果还难以给出隐含层的神经元个数与问题的类型和规模之间的函数关系，只有通过模拟实验决定［11］；通过选用不同隐含层神经元个数进行模拟，发现6个隐含层神经元适合于本问题。实验采用神经网络隐含层结点的传递函数“tansig”、网络输出层传递函数“purelin”；在神经网络建立过程中，不断调整网络各层之间的权重因子，直到模拟结果与实验结果误差小于0.0010。

输入层与隐含层之间的权重因子以及隐含层与输出层之间的权重因子可以描述所建立的神经网络，神经网络中的权重因子见表2、3。

表2 连接输入层与隐含层各权重因子Tab.2 The weighting factor connecting input layers with hidden

表3 连接隐含层与输出层各权重因子Tab.3 The weighting factor connecting implied layer and the output layer

从 图 2 可 以 看 出，当 POE－g－MAH 含 量 为14.00%时，随着PP含量的增加，共混物的冲击强度迅速增加；当PP含量增加到9.00%时，共混物的冲击强度达到最大，此后进一步增加PP含量，共混物的冲击强度开始降低。

图2 神经网络预测模型Fig.2 Forecasting model of neural networks

2.3 BP神经网络预测能力的测试

为了表明所建立的神经网络预测能力，将实测值与预测值进行对比，结果如表4所示。可以看出，当POE－g－MAH含量为14.00%时，共混物的冲击强度随着PP含量的增加而增加；当PP含量达到9.00%时，共混物的冲击强度达到92.12kJ/m2；此后进一步增加PP的含量，共混物的冲击强度有所降低，这与实验模型的预测一致。同时从表4还可以看出神经网络预测值与实测值两者非常接近。因此，可以认为该神经网络具有很好的预测能力，可以有效地预测POE－g－MAH和PP对PA6的增韧作用。

表4 神经网络预测结果与实测值结果对比Tab.4 Neural network prediction results and actual results contrast

3 结论

（1）POE－g－MAH 和 PP 在增韧 PA6的过程中具有协同增韧作用；

（2）当 POE－g－MAH 含量为14.00%时，随着 PP含量的增加，共混物的冲击强度迅速增加；当PP含量增加到9.00%时，共混物的悬臂梁缺口冲击强度达到92.12kJ/m2；

（3）3层BP神经网络能很好地预测高分子复合材料的性能，BP神经网络是一种非常有效的模拟工具。

［1］ 张 坚，辛集忠，郑海忠，等.选区激光烧结中能量密度对尼龙制品性能影响的研究［J］.塑料，2008，37（3）：39－40.

［2］ 付 瑶，金日光.尼龙6合金的超韧新材料［J］.化工新型材料，1999，（7）：23－34.

［3］ 赵永红，邓清田.张发饶，等.（PE/POE）－g－MAH 增韧尼龙6的研究［J］.现代塑料加工应用，2003，15（6）：4－6.

［4］ 鲁成祥，陈 力，王艳梅，等，POE/PP的接枝改性及在制备超韧尼龙中的应用研究［J］.塑料，2005，34（6）：18－23.

［5］ 曾卫东，舒 滢，周义刚.应用人工神经网络模型预测Ti－10V－2Fe－3Al合金的力学性能［J］.稀有金属材料与工程［J］.2004，33（10）：1041－1044.

［6］ 曾海泉，罗跃纲，连永祥.神经网络在橡胶配方设计中的应用［J］.橡胶工业，2002，49（2）：73－76.

［7］ 方开泰.均匀设计与均匀设计表［M］.北京：科学出版社，1994：3－4.

［8］ 姚钟尧.回归分析法在均匀设计数据分析中的地位［J］.特种橡胶制品，1998，（2）：35－41.

［9］ 寇林元，凌建春，赵丽彦，等.正交试验与均匀试验优化效果比较［J］.中国卫生统计，2009，26（2）：139－142.

［10］ 朱 凯，王正林.精通matlab神经网络［M］.北京：电子工业出版社，2010：193－194.

［11］ 余娟丽，王红洁，张 健，等.神经网络在制备氮化硅多孔陶瓷中的应用［J］.稀有金属材料与工程，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

联系人，76206690＠163.com