楊紅　程萬里　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)測模型的建立1)

楊紅程萬里任麗麗

(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、相對濕度、處理時間3個主要工藝參數(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)測模型，并對兩者進(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。

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)對木材力學(xué)性能的影響，是一個非線性的復(fù)雜過程，所以很難簡單建立一個理想的、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)，使其在模式識別和回歸預(yù)測等方面獲得了極大成功。人工神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中存在的局部極小和過學(xué)習(xí)等問題，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)測模型，將可能得到較高的預(yù)測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、處理時間、相對濕度3個主要工藝參數(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)測模型，并對兩者進(jìn)行比較。旨在對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，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)個數(shù)等于輸入的維數(shù)；第二層為隱含層，節(jié)點(diǎn)個數(shù)視問題的復(fù)雜度而定；第三層為輸出層，節(jié)點(diǎn)個數(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，使原來線性不可分的問題變得線性可分，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)最初是用來解決分類的問題，但其可以很容易地擴(kuò)充到回歸問題中[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為一個實(shí)數(shù))，即樣本數(shù)據(jù)對應(yīng)的函數(shù)值為實(shí)值，則問題求解由模式識別問題轉(zhuǎn)化為回歸問題，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%，置于相對濕度65%、溫度為20 ℃環(huán)境條件下，待其平衡后測其相應(yīng)的力學(xué)性能。

木材力學(xué)性能的檢測，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定方法》、《木材硬度試驗(yàn)方法》規(guī)定進(jìn)行檢測。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、處理時間和相對濕度。經(jīng)木材力學(xué)性能檢測(見表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，上升趨勢幅度變小，200 ℃以上呈略下降趨勢；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，熱改性工藝條件對抗彎強(qiáng)度影響較大，200 ℃以上下降幅度變大；熱改性工藝參數(shù)對木材抗彎彈性模量的影響與素材相比，總體上呈下降趨勢，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，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、時間、壓力、濕度、保護(hù)介質(zhì)和樹種等，其中濕度和壓力往往是相關(guān)聯(lián)的，濕度越高則對應(yīng)蒸汽壓力越大。大量試驗(yàn)結(jié)果表明，熱改性溫度對材料影響最大，在較高溫度條件下對材料的處理效果，很難用較低溫度條件下延長熱改性時間來達(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個參數(shù)(時間、溫度、相對濕度)，輸出則為落葉松鋸材對應(yīng)的5個重要力學(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組作為測試數(shù)據(jù)。

3.2RBF神經(jīng)網(wǎng)絡(luò)模型建立與檢測

本研究建立的模型使用Matlab軟件編程。對數(shù)據(jù)建模前，首先對建模數(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)需要自動調(diào)整；網(wǎng)絡(luò)訓(xùn)練精度設(shè)為0.000 01；開始對網(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，對于變化較快的函數(shù)，如果spread取值過大，可能使逼近網(wǎng)絡(luò)的結(jié)果過于粗糙；對于變化緩慢的函數(shù)，spread如果取值過小，可能使逼近的函數(shù)不夠光滑，造成過學(xué)習(xí)，降低泛化能力。本研究經(jīng)過多次驗(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29次迭代后達(dá)到預(yù)定精度停止(見圖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個樣

本點(diǎn)用于測試，將實(shí)際試驗(yàn)值與預(yù)測值對比(見圖2)。統(tǒng)計(jì)得出：30個預(yù)測樣本實(shí)際值與測試值最大相對誤差絕對值為6.24%、平均相對誤差為2.4%，說明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)測是可行的，且具有較高的精度。模型對預(yù)測數(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

為了和RBF神經(jīng)網(wǎng)絡(luò)建立的預(yù)測模型進(jìn)行性能上的對比，本模型使用的訓(xùn)練樣本和測試樣本與神經(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組作為測試數(shù)據(jù)，然后對它們進(jìn)行統(tǒng)一的歸一化處理。

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

先利用交叉驗(yàn)證CV方法對訓(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個樣本點(diǎn)作為測試點(diǎn)，30個測試樣本的實(shí)際值與預(yù)測值的最大相對誤差絕對值為3.41%、平均相對誤差1.12%，圖3是這30個數(shù)據(jù)的擬合圖。由圖3可見：樣本數(shù)據(jù)預(yù)測值與真實(shí)值非常接近，曲線擬合的很好。說明該模型對于輸入樣本有著很好的預(yù)測能力，模型預(yù)測精度非常高，屬于高精度預(yù)測模型；所建模型泛化性能良好，完全可以對落葉松木材高溫高壓熱改性的力學(xué)性能進(jìn)行預(yù)測，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)模型性能對比

采用多種訓(xùn)練樣本數(shù)和測試樣本數(shù)，比較RBF模型與SVR模型性能指標(biāo)(見表2)。由表2可見：SVR模型樣本訓(xùn)練平均相對誤差，比RBF模型的樣本平均相對誤差偏大，但其對應(yīng)的預(yù)測樣本的平均相對誤差卻總體小、精度高。這說明神經(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)算法測試樣本點(diǎn)實(shí)際值與預(yù)測值比較

訓(xùn)練樣本/個測試樣本/個RBF神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練平均相對誤差/%預(yù)測平均相對誤差/%SVR算法模型訓(xùn)練平均相對誤差/%預(yù)測平均相對誤差/%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，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，其預(yù)測平均相對誤差已經(jīng)明顯偏高，預(yù)測能力變得較差；SVR模型在小樣本的情況下，仍然能夠保持高質(zhì)量的預(yù)測能力[6]。說明SVR模型對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)測能力差距減少，但SVR算法模型仍然表現(xiàn)出較好的預(yù)測能力。

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)測模型，并對這兩種預(yù)測模型的性能進(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)測樣本實(shí)際值與測試值最大相對誤差絕對值為6.24%、平均相對誤差為2.4%，模型對預(yù)測數(shù)據(jù)進(jìn)行了很好的擬合；在SVM算法中，預(yù)測樣本實(shí)際值與測試值最大相對誤差絕對值為3.24%、平均相對誤差為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.陜西柞水溶洞國家地質(zhì)公園地質(zhì)遺跡景觀資源與評價[J].資源開發(fā)與市場，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，2009，30(3)：301-308.

[4]穆桂松，李大偉.我國地質(zhì)公園建設(shè)中的問題和對策[J].地域研究與開發(fā)，2007，26(4)：79-81.

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

[6]申燕萍.區(qū)域地質(zhì)旅游資源的評價方法[J].南陽師范學(xué)院學(xué)報，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價研究[J].國土資源科技管理，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)性評價：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)，趙來時.地質(zhì)遺跡資源評價指標(biāo)體系[J].地球科學(xué)——中國地質(zhì)大學(xué)學(xué)報，2008，33(2)：285-288.

[10]袁荃，曾克峰.基于AHP與菲羅模型評價地質(zhì)遺跡景觀：以貴州思南烏江喀斯特國家地質(zhì)公園為例[J].國土資源科技管理，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價[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)國家自然科學(xué)基金項(xiàng)目(30871981)。

責(zé)任編輯：張玉。