论文部分内容阅读
摘要 木材高温高压热处理是一种相对稳定且非常环保的木材热处理方法。该研究利用BP神经网络建模研究木材高温高压热处理与其力学性能的关系，结果表明BP神经网络在网络构建和预测性能上效果良好。在此基础上对木材热处理的工艺参数进行了分析和优化，这对科学合理地使用木材具有重要意义。
关键词 木材高温高压热处理；BP神经网络；分析和优化
中图分类号 S126 文献标识码 A 文章编号 0517-6611（2015）17-235-03
Abstract Wood high temperature and high pressure heat treatment is a relatively stable and very green wood heat treatment method. This research uses the BP neural network model to study the relations of high temperature and high pressure heat treatment and mechanical properties of wood， the results show that the BP neural network on the network building and predict performance effect is good. On the basis of this， the process parameters of wood heat treatment were analyzed and optimized， it is of great significance to the scientific and rational use of timber.
Key words Wood high temperature and high pressure heat treatment； The BP neural network； Analysis and optimization
木材热处理是指以木材为原料，用蒸汽、惰性气体或者植物油为加热介质，在150～260 ℃温度下对木材进行短期热解处理，由于木材在热处理过程中不采用任何化学制剂或者防腐剂，所以这是一种环保的木材物理保护技术[1]。经过高温高压处理所得到的热处理材与原本木材相比尺寸稳定性、生物耐久性和木材颜色都得到了很大的改善。
由于人工神经网络可以充分逼近任意复杂的非线性关系，所以常常被用于材料加工工艺的优化处理方面，但这种建模方法在木材热处理工艺优化方面应用很少，至今还未见具体报道[2]。该文给出了一类相对准确、高效的神经网络建模方法，该模型通过测试，准确率可达到96%以上。利用该模型只需要将木材热处理的3个工艺参数输入，即可映射得到木材经过热处理后对应的5个重要的力学性能参数，通过人工神经网络对木材热处理后木材力学性能的影响进行模拟仿真，从而确定出木材热处理工艺参数和木材力学性能之间的关系，以找到最优热处理工艺，为热处理材的合理使用提供科学依据。可以说，将神经网络建模方法引进木材研究领域， 将为木材的诸多复杂研究课题提供一系列便捷、高效的解决方案[3]。
1 神经网络简介
1.1 神经网络概述
人工神经网络是一种在生物神经网络的启示下建立的数据处理模型。它的发展经历了曲折的历程，曾历经两度兴衰，现已作为一种成熟的算法应用于生活和生产的各个领域[4]。人工神经网络具有强大的模式识别和数据拟合能力，神经网络的种类很多，不同类型的网络适合解决不同的问题，其优异的非线性逼近性能使其在众多领域中都有出色的表现。
1.2 BP神经网络
BP网络是前向神经网络的核心部分，广泛应用于分类识别、逼近、回归、压缩等领域[5]。BP神经网络是一种多层感知器，它除了输入层和输出层外，一般还具有若干个隐含层，层与层之间全连接，同一层之间的神经元无连接。BP网络一般使用Sigmoid函数或者线性函数作为传递函数，这种网络的典型设计方式是隐含层采用Sigmoid函数作为传递函数，而输出层则采用线性函数作为传递函数。在BP网络中，数据从输入层经隐含层逐层向后传播，训练网络权值时，则沿着减少误差的方向，从输出层经过中间各层逐层向前修正网络的连接权值。随着学习的不断进行，最终误差越来越小。
2 模型构建及结果
2.1 试验数据采集与整理 该研究目的是揭示杉木高温高压热处理工艺的3个重要参数和木材5个重要力学性能之间的关系[6]。样本数据共60组，其中随机抽取40组作为训练数据，20组作为测试数据，部分试验样本的描述如表1所示。
2.2 热处理工艺参数选择
高温高压热处理工艺参数包括热处理的温度、时间、压力、湿度、保护介质和树种等因素。其中湿度和压力往往是相关联的，湿度越高则对应蒸汽压力也越大。大量试验结果表明热处理的温度对材料的影响最大，在较高温度条件下对材料的处理效果很难用在较低温度条件下延长热处理时间来达到。该文以高温高压饱和或过热蒸汽为介质对木材进行热处理，介质温度120～250 ℃，饱和度（或相对湿度）20%～100%。
2.3 BP神经网络模型建立与检测
该文使用Matlab7.0软件进行神经网络模型的建立与测试，对数据建模前，首先要对建模数据进行预处理，对所有训练数据和测试数据进行归一化处理，但在建立完成后，一定要进行反归一化操作[7]。根据大量木材改性涉及到的参数将BP神经网络输入层设置为3，输出层为5，隐含层没有固定公式可遵循[8]，只能根据试验情况随时调整隐含层的数目，经过反复试验，将最佳隐含层值设为9。网络隐含层和输出层函数设定为tansig函数，训练函数设定为trainlm函数，最大迭代次数设置为10 000，网络训练精度为0.00 001，初始学习率设定为0.1，开始对网络进行训练。 网络训练结束后，为了验证设计网络预测的有效性，采用了20个样本点用于测试，结果如图2所示。
从以上测试结果图可以看出，除了各别样本存在较大误差外，大多数网络输出样本值都接近于实际数值，这说明该文所建立的神经网络模型能够很好地映射出实际系统。
3 木材热处理对其力学性能影响工艺参数优化和分析
根据上述提到的大量试验数据的收集与整理，建立起木材高温高压热处理参数工艺与其力学性能的关系模型[9]，用来预测木材经过高温高压热处理后木材的力学性能指标，同时对木材热处理的工艺参数进行分析，从而对影响其力学性能的工艺参数进行优化。
图3是木材高温高压热处理的相关参数在优化范围内，利用上述建立的神经网络模型预测的热处理时间对木材的力学性能的影响曲线。由图3可看出，当时间为2 h，木材热处理后的力学性能达到最优化。
图4是木材在合适时间、压力等综合条件下，木材热处理温度对其力学性能的影响曲线，当温度为190 ℃，木材热处理后的力学性能指标优良。
同理，利用建立的神经网络模型得知压力为0.2 MPa，平衡含水率为9.8%时，木材热处理后的力学性能达到最好。
4 结论
（1）人工神经网络能够很好描述木材热处理时间、温度、
压力与处理后木材力学性能之间的关系，网络预测精确率能达到96%以上。
（2）该文建立的神经网络模型确定的杉木热处理工艺时间为2 h，温度为190 ℃，压力为0.2 MPa，平衡含水率为9.8%时，木材经过热处理后的综合力学性能达到最优化。如果要建立其他树种热处理工艺与力学性能之间的关系模型，只需将相应数据输入网络即可实现。
（3）该文提出的将人工神经网络模型引入到木材热处理中，是一种全新的尝试，在实际生产中，可针对木材产品的应用场合对力学性能的要求来优化热处理工艺参数，从而更加科学合理地使用木材。
参考文献
[1]李坚.功能性木材[M]. 北京：科学出版社，2001.
[2] 孙建平，王逢瑚，胡英成. 基于神经网络模型的杨木单板改性处理工艺优化[J]. 材料热改性学报， 2011， 32（2）：163-166.
[3] 张冬妍. 木材干燥神经网络建模与智能控制研究[D].哈尔滨：东北林业大学， 2005.
[4] 陈明. MATLAB神经网络原理与实例精解[M]. 北京：清华大学出版社，2013.
[5] 张延林.神经网络在木材干燥过程中建模的应用[J].东北林业大学学报，2009，37（8）：50-52.
[6] 江泽慧，姜笑梅，周玉成，等. 杉木微观结构与其品质特性关系模型的一类神经网络建模方法[J]. 林业科学，2005，41（4）：134-139.
[7] FREDRIC M. Principles of neurocomputing for science and engineering[M]. 北京：机械工业出版社，2003.
[8] 徐炳伟.基于BP-RBF神经网络的地下连续墙变形预测[J].工程力学， 2009，26（S1）：163-166.
[9] 汤嘉立，柳益君，蔡秋茹，等. 基于小生境遗传神经网络的材料力学性能预测[J]. 计算机仿真， 2011，28（1）：209-213.
关键词 木材高温高压热处理；BP神经网络；分析和优化
中图分类号 S126 文献标识码 A 文章编号 0517-6611（2015）17-235-03
Abstract Wood high temperature and high pressure heat treatment is a relatively stable and very green wood heat treatment method. This research uses the BP neural network model to study the relations of high temperature and high pressure heat treatment and mechanical properties of wood， the results show that the BP neural network on the network building and predict performance effect is good. On the basis of this， the process parameters of wood heat treatment were analyzed and optimized， it is of great significance to the scientific and rational use of timber.
Key words Wood high temperature and high pressure heat treatment； The BP neural network； Analysis and optimization
木材热处理是指以木材为原料，用蒸汽、惰性气体或者植物油为加热介质，在150～260 ℃温度下对木材进行短期热解处理，由于木材在热处理过程中不采用任何化学制剂或者防腐剂，所以这是一种环保的木材物理保护技术[1]。经过高温高压处理所得到的热处理材与原本木材相比尺寸稳定性、生物耐久性和木材颜色都得到了很大的改善。
由于人工神经网络可以充分逼近任意复杂的非线性关系，所以常常被用于材料加工工艺的优化处理方面，但这种建模方法在木材热处理工艺优化方面应用很少，至今还未见具体报道[2]。该文给出了一类相对准确、高效的神经网络建模方法，该模型通过测试，准确率可达到96%以上。利用该模型只需要将木材热处理的3个工艺参数输入，即可映射得到木材经过热处理后对应的5个重要的力学性能参数，通过人工神经网络对木材热处理后木材力学性能的影响进行模拟仿真，从而确定出木材热处理工艺参数和木材力学性能之间的关系，以找到最优热处理工艺，为热处理材的合理使用提供科学依据。可以说，将神经网络建模方法引进木材研究领域， 将为木材的诸多复杂研究课题提供一系列便捷、高效的解决方案[3]。
1 神经网络简介
1.1 神经网络概述
人工神经网络是一种在生物神经网络的启示下建立的数据处理模型。它的发展经历了曲折的历程，曾历经两度兴衰，现已作为一种成熟的算法应用于生活和生产的各个领域[4]。人工神经网络具有强大的模式识别和数据拟合能力，神经网络的种类很多，不同类型的网络适合解决不同的问题，其优异的非线性逼近性能使其在众多领域中都有出色的表现。
1.2 BP神经网络
BP网络是前向神经网络的核心部分，广泛应用于分类识别、逼近、回归、压缩等领域[5]。BP神经网络是一种多层感知器，它除了输入层和输出层外，一般还具有若干个隐含层，层与层之间全连接，同一层之间的神经元无连接。BP网络一般使用Sigmoid函数或者线性函数作为传递函数，这种网络的典型设计方式是隐含层采用Sigmoid函数作为传递函数，而输出层则采用线性函数作为传递函数。在BP网络中，数据从输入层经隐含层逐层向后传播，训练网络权值时，则沿着减少误差的方向，从输出层经过中间各层逐层向前修正网络的连接权值。随着学习的不断进行，最终误差越来越小。
2 模型构建及结果
2.1 试验数据采集与整理 该研究目的是揭示杉木高温高压热处理工艺的3个重要参数和木材5个重要力学性能之间的关系[6]。样本数据共60组，其中随机抽取40组作为训练数据，20组作为测试数据，部分试验样本的描述如表1所示。
2.2 热处理工艺参数选择
高温高压热处理工艺参数包括热处理的温度、时间、压力、湿度、保护介质和树种等因素。其中湿度和压力往往是相关联的，湿度越高则对应蒸汽压力也越大。大量试验结果表明热处理的温度对材料的影响最大，在较高温度条件下对材料的处理效果很难用在较低温度条件下延长热处理时间来达到。该文以高温高压饱和或过热蒸汽为介质对木材进行热处理，介质温度120～250 ℃，饱和度（或相对湿度）20%～100%。
2.3 BP神经网络模型建立与检测
该文使用Matlab7.0软件进行神经网络模型的建立与测试，对数据建模前，首先要对建模数据进行预处理，对所有训练数据和测试数据进行归一化处理，但在建立完成后，一定要进行反归一化操作[7]。根据大量木材改性涉及到的参数将BP神经网络输入层设置为3，输出层为5，隐含层没有固定公式可遵循[8]，只能根据试验情况随时调整隐含层的数目，经过反复试验，将最佳隐含层值设为9。网络隐含层和输出层函数设定为tansig函数，训练函数设定为trainlm函数，最大迭代次数设置为10 000，网络训练精度为0.00 001，初始学习率设定为0.1，开始对网络进行训练。 网络训练结束后，为了验证设计网络预测的有效性，采用了20个样本点用于测试，结果如图2所示。
从以上测试结果图可以看出，除了各别样本存在较大误差外，大多数网络输出样本值都接近于实际数值，这说明该文所建立的神经网络模型能够很好地映射出实际系统。
3 木材热处理对其力学性能影响工艺参数优化和分析
根据上述提到的大量试验数据的收集与整理，建立起木材高温高压热处理参数工艺与其力学性能的关系模型[9]，用来预测木材经过高温高压热处理后木材的力学性能指标，同时对木材热处理的工艺参数进行分析，从而对影响其力学性能的工艺参数进行优化。
图3是木材高温高压热处理的相关参数在优化范围内，利用上述建立的神经网络模型预测的热处理时间对木材的力学性能的影响曲线。由图3可看出，当时间为2 h，木材热处理后的力学性能达到最优化。
图4是木材在合适时间、压力等综合条件下，木材热处理温度对其力学性能的影响曲线，当温度为190 ℃，木材热处理后的力学性能指标优良。
同理，利用建立的神经网络模型得知压力为0.2 MPa，平衡含水率为9.8%时，木材热处理后的力学性能达到最好。
4 结论
（1）人工神经网络能够很好描述木材热处理时间、温度、
压力与处理后木材力学性能之间的关系，网络预测精确率能达到96%以上。
（2）该文建立的神经网络模型确定的杉木热处理工艺时间为2 h，温度为190 ℃，压力为0.2 MPa，平衡含水率为9.8%时，木材经过热处理后的综合力学性能达到最优化。如果要建立其他树种热处理工艺与力学性能之间的关系模型，只需将相应数据输入网络即可实现。
（3）该文提出的将人工神经网络模型引入到木材热处理中，是一种全新的尝试，在实际生产中，可针对木材产品的应用场合对力学性能的要求来优化热处理工艺参数，从而更加科学合理地使用木材。
参考文献
[1]李坚.功能性木材[M]. 北京：科学出版社，2001.
[2] 孙建平，王逢瑚，胡英成. 基于神经网络模型的杨木单板改性处理工艺优化[J]. 材料热改性学报， 2011， 32（2）：163-166.
[3] 张冬妍. 木材干燥神经网络建模与智能控制研究[D].哈尔滨：东北林业大学， 2005.
[4] 陈明. MATLAB神经网络原理与实例精解[M]. 北京：清华大学出版社，2013.
[5] 张延林.神经网络在木材干燥过程中建模的应用[J].东北林业大学学报，2009，37（8）：50-52.
[6] 江泽慧，姜笑梅，周玉成，等. 杉木微观结构与其品质特性关系模型的一类神经网络建模方法[J]. 林业科学，2005，41（4）：134-139.
[7] FREDRIC M. Principles of neurocomputing for science and engineering[M]. 北京：机械工业出版社，2003.
[8] 徐炳伟.基于BP-RBF神经网络的地下连续墙变形预测[J].工程力学， 2009，26（S1）：163-166.
[9] 汤嘉立，柳益君，蔡秋茹，等. 基于小生境遗传神经网络的材料力学性能预测[J]. 计算机仿真， 2011，28（1）：209-213.