论文部分内容阅读
材料的宏观性能是由其微观结构决定,要控制材料的宏观性能就必须认知其微观结构。聚合物复合材料微观结构的定量描述与分析已成为其研究的重要方向之一。论文以加速老化过程中的麦秸/聚丙烯复合材料为主线,辅以碳粉／酚醛树脂复合摩擦材料和SiC/PTFE纳米复合材料,研究了三种聚合物复合材料在不同老化周期或不同载荷、不同质量分数下微观结构定量化描述与分析,通过有关数学建模方法确定材料微观结构与其宏观力学性能之间的相互关系。用JSM-6000扫描电子显微镜拍摄了不同老化试验阶段(未老化、第20个、第40个、第60个、第80个和第100个老化周期)、不同载荷和不同质量分数三种聚合物复合材料微观结构形貌SEM照片。以麦秸/聚丙烯复合材料为例使用MALAB编程语言编写了有关材料微观结构SEM照片的数字图像处理程序,实现了SEM照片的图像平滑滤波、灰度变换与直方图处理、图像锐化、图像边缘检测和图像阈值分割等。基于AMT方法导出了三种聚合物复合材料的MA尺度图谱,并对复合材料微观SEM照片图像纹理的复杂性进行了定量化描述。在获取的材料微观结构纹理图像MA尺度图谱的基础上,通过主成分分析法提取不同老化周期麦秸/聚丙烯复合材料微观图像MA图谱前4个主成分作为图谱特征参数,研究了材料不同老化阶段的分类识别问题,通过有关建模方法确定了材料微观结构与宏观力学性能之间的数学关系。得到以下几个主要成果及结论：(1)以麦秸/聚丙烯复合材料为例编写了有关聚合物复合材料微观图像预处理程序,实现了材料微观形貌结构SEM照片的图像增强、图像边缘检测和图像分割等。使用自适应掩膜滤波方法对材料原图像进行了平滑滤波,该方法既可对原始图像进行一定的平滑处理,又又可使图像边缘轮廓得到保留甚至一定程度的增强。使用非锐化掩膜方法对原图像进行边缘锐化处理,能够得到较好的图像锐化边缘的效果。对材料原始微观图像中的老化裂纹,采用SUSAN算法实现老化裂纹的边缘检测,提取的目标边缘较为清晰、完整。使用K-均值聚类算法获得的复合材料微观结构图像分割效果比较理想,图像老化裂纹边缘清晰,目标与背景对比度强,能够给图像分割后的观察和判读带来极大的方便；(2)尝试应用AMT方法分别对复合摩擦材料磨损微观表面SEM图像和SiC/PTFE纳米复合材料截断面微观结构SEM图像进行了研究,生成了它们的SEM图像MA图谱,得到了图谱曲线均具有良好的区分性和可分别性。研究结果证实了该种方法在分析具有纹理特征复合材料SEM图像时的有效性和可行性。采用基于AMT的方法研究了麦秸／聚丙烯复合材料不同老化周期下微观结构图像定量化描述和表征方法。本研究创造性地将AMT方法应用于不同老化周期麦秸／聚丙烯复合材料微观形貌结构图像纹理特征定量描述分析中,根据AMT方法的原理绘制出了不同老化周期复合材料MA尺度图谱。由绘制的不同老化周期的复合材料MA尺度图谱发现,随着老化周期的增加麦秸／聚丙烯复合材料微观形貌SEM照片MA图谱的特征角度和特征尺度总体上呈现上升趋势,而麦秸／聚丙烯复合材料各项力学性能指标总体上则呈现下降趋势,两者存在着高度或极高的负相关性。复合材料微观结构MA图谱的特征角度与材料的弹性模量和弯曲强度等力学性能均存在高度的负相关性(分别为-0.882和-0.974),其中特征角度与弯曲强度的相关性更是极高度的负相关。采用主成分分析对复合材料不同老化周期的MA尺度谱进行了降维处理,尺度图谱数据的主成分即可将典型的不同老化周期复合材料微观结构SEM照片MA图谱进行有效地区分。研究表明,AMT方法作为一种信号“尺度域”的变换方法,可以很好地表征不同老化周期下麦秸/聚丙烯复合材料微观形貌图像纹理的复杂程度；(3)研究了麦秸/聚丙烯复合材料不同老化周期下微观结构图像纹理特征参数的提取方法,采用主成分分析法提取出材料微观图像MA图谱的前4个主成分作为其特征参数；(4)选择极限学习机ELM和支持向量机SVM两种分类器构成智能模式分类器,对不同老化阶段复合材料微观图像进行了分类识别。结果表明,两种分类器的分类正确率均较高,预测集分类正确率分别达到了95.0%和92.5%。从分类正确率来看,极限学习机的预测分类正确率略高于支持向量机,其参数设定过程也比支持向量机简便的多。但极限学习机隐含层神经元个数的确定可能需要花费较长的时间,相对而言支持向量机训练过程、预测过程和程序执执行时间则要简便、快速得多；(5)通过极限学习机ELM和回归型支持向量机SVR两种算法建立了不同老化周期复合材料微观结构与其弯曲强度之间的数学回归模型。结果表明,两种回归模型的回归拟合精度均较高。ELM神经网络回归模型的决定系数(R2=0.9821)略高于回归型支持向量机模型的决定系数(R2=0.9795),但极限学习机回归模型的均方误差较大。使用回归型支持向量机模型进行复合材料弯曲强度的预测,其预测值可以以非常小的偏差逼近真实值。在整体性能看,回归型支持向量机预测结果优于极限学习机预测结果。