高温高压蒸汽改性落叶松木材力学性能预测模型的建立1)

2016-05-06杨红程万里任丽丽

东北林业大学学报 2016年4期

关键词：落叶松

杨红　程万里　任丽丽

(东北林业大学，哈尔滨，150040)

高温高压蒸汽改性落叶松木材力学性能预测模型的建立1)

杨红程万里任丽丽

(东北林业大学，哈尔滨，150040)

摘要利用RBF神经网络和支持向量机两种算法建模，分析落叶松高温高压蒸汽改性工艺参数与其力学性能关系；以落叶松热处理的温度、相对湿度、处理时间3个主要工艺参数作为网络输入，建立了RBF神经网络和支持向量机预测模型，并对两者进行比较。结果表明：支持向量机模型，在网络建立结构、收敛速度和泛化能力上更具优势。

关键词高温高压蒸汽改性；落叶松；木材力学性能

分类号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

木材热改性工艺参数对木材力学性能的影响，是一个非线性的复杂过程，所以很难简单建立一个理想的、符合实际情况的模型。人工神经网络，可以充分逼近任意复杂的非线性关系，具有自学习功能和高速寻找优化解的能力[1]，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改性工艺优化方面应用很少。支持向量机作为现代科学领域的研究方向，现已成为机器学习的研究焦点[2]。其理论基础十分坚实，使其在模式识别和回归预测等方面获得了极大成功。人工神经网络在学习过程中存在的局部极小和过学习等问题，支持向量机则克服了这些弱点。因此，利用支持向量机对木材高温高压蒸汽改性与其力学性能关系建立预测模型，将可能得到较高的预测精度和泛化推广能力。

本研究利用RBF神经网络算法和支持向量机算法2种建模方法，研究落叶松木材高温高压蒸汽改性工艺参数与其力学性能关系。以落叶松木材热改性的温度、处理时间、相对湿度3个主要工艺参数作为网络输入，建立RBF神经网络与支持向量机预测模型，并对两者进行比较。旨在对落叶松木材热改性后力学性能的变化进行模拟仿真预测，分析落叶松木材热改性工艺参数与力学性能之间的关系，确定适宜热改性工艺。

1建立模型依据

人工神经网络(ANN)是模仿人类智能的一种非常重要的方法[3]；径向基函数(RBF)网络，由于其结构简单、收敛速度快、能够逼近任意非线性函数，逐步在不同行业和领域得到了广泛应用。RBF网络是由三层构成的前向网络。第一层为输入层，节点个数等于输入的维数；第二层为隐含层，节点个数视问题的复杂度而定；第三层为输出层，节点个数等于输出数据的维数。径向基函数网络与多层感知器不同，它的不同层有着不同的功能，隐含层是非线性的，采用径向基函数作为基函数，从而将输入向量空间转换到隐含层空间，使原来线性不可分的问题变得线性可分，输出层则是线性的。

支持向量机(SVM)由Vapnik等首先提出，是一种品质优良的机器学习方法[4]。支持向量机最初是用来解决分类的问题，但其可以很容易地扩充到回归问题中[5]。如果将学习机器训练集中的分类标记(yi)的取值范围，由yi∈Y={1，-1}变为yi∈Y=R(R为一个实数)，即样本数据对应的函数值为实值，则问题求解由模式识别问题转化为回归问题，这种形式的支持向量机被称为支持向量回归机(SVR)。本文建立的模型即为支持向量回归机模型。

2数据采集与整理

试材选用厚度为22 mm的东北落叶松锯材，经温度为120～210 ℃、压力为0.1～0.9 MPa、不同条件的饱和蒸汽或过热蒸汽处理0.5～3.0 h后，将处理材干燥至含水率8%～10%，置于相对湿度65%、温度为20 ℃环境条件下，待其平衡后测其相应的力学性能。

木材力学性能的检测，参照《木材顺纹抗压强度试验方法》、《木材抗弯强度试验方法》、《木材抗弯弹性模量测定方法》、《木材硬度试验方法》规定进行检测。每组试验均采用3次平行试验所得结果的算术平均值作为最终的实验结果。

本课题组前期研究已经表明，影响落叶松木材力学性能的主要工艺参数为处理温度、处理时间和相对湿度。经木材力学性能检测(见表1)表明：热改性木材在顺纹抗压强度上强度上与素材相比，总体高于素材强度，随着温度升高，上升趋势幅度变小，200 ℃以上呈略下降趋势；热改性木材在抗弯强度上与素材相比，总体呈现下降趋势，热改性工艺条件对抗弯强度影响较大，200 ℃以上下降幅度变大；热改性工艺参数对木材抗弯弹性模量的影响与素材相比，总体上呈下降趋势，但变化幅度不大，200 ℃以上下降幅度有所增加；热改性工艺参数对硬度的影响总体不大，与素材相比，出现先上升后下降的趋势，200 ℃以上下降幅度变大。这与前人的研究结论基本一致，也表明本试验所得到的木材热处理后力学性能原始数据准确可靠，可以为后继建模提供原始样本数据。

表1　木材高温高压蒸汽改性工艺参数与力学性能关系

3模型构建及结果

3.1模型构建参数选择和基础样本确定

木材高温高压热改性工艺参数很多，包括热改性温度、时间、压力、湿度、保护介质和树种等，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越大。大量试验结果表明，热改性温度对材料影响最大，在较高温度条件下对材料的处理效果，很难用较低温度条件下延长热改性时间来达到。所以，本研究模型的输入参数选择为热改性工艺中影响最大的3个参数(时间、温度、相对湿度)，输出则为落叶松锯材对应的5个重要力学性能(顺纹抗压强度、抗弯强度、抗弯弹性模量、径面硬度、弦面硬度)。根据上述试验结果，为了保证原始数据的科学合理性，本神经网络模型所用样本数据每一条件下取3组，共264组数据；其中随机抽取80组作为训练数据，30组作为测试数据。

3.2RBF神经网络模型建立与检测

本研究建立的模型使用Matlab软件编程。对数据建模前，首先对建模数据进行归一化处理，待模型训练完成后再进行反归一化操作。网络参数设置为：输入层和输出层结点数和BP网络相同，分别为3和5；隐含层结果初始值设为10，根据需要自动调整；网络训练精度设为0.000 01；开始对网络进行训练。设径向基网络函数为net=newrb(p,t,goal,spread,M,D)。需注意扩散因子(spread)参数值的设定，对于变化较快的函数，如果spread取值过大，可能使逼近网络的结果过于粗糙；对于变化缓慢的函数，spread如果取值过小，可能使逼近的函数不够光滑，造成过学习，降低泛化能力。本研究经过多次验证，最终spread值设为1.6，网络综合性能最好。网络经过29次迭代后达到预定精度停止(见图1)。

图1　RBF网络训练结果

为了验证该RBF网络性能，随机抽取30个样

本点用于测试，将实际试验值与预测值对比(见图2)。统计得出：30个预测样本实际值与测试值最大相对误差绝对值为6.24%、平均相对误差为2.4%，说明RBF神经网络用于落叶松木材热改性力学性能的预测是可行的，且具有较高的精度。模型对预测数据进行了很好的拟合。

3.3支持向量机模型建立与检测

为了和RBF神经网络建立的预测模型进行性能上的对比，本模型使用的训练样本和测试样本与神经网络模型的完全相同，即：在所有样本数据中抽取80组作为训练数据，30组作为测试数据，然后对它们进行统一的归一化处理。

图2　RBF网络测试样本点实际值与预测值比较

先利用交叉验证CV方法对训练参数c和g进行粗略优化，取值范围设定为(-8，8)之间，然后根据得到的粗略选择结果进行精细选择，得到最终的优化参数值c=18.379 2、g=0.007 8。

为了验证支持向量机建立的模型的性能，采用和前面RBF神经网络相同的30个样本点作为测试点，30个测试样本的实际值与预测值的最大相对误差绝对值为3.41%、平均相对误差1.12%，图3是这30个数据的拟合图。由图3可见：样本数据预测值与真实值非常接近，曲线拟合的很好。说明该模型对于输入样本有着很好的预测能力，模型预测精度非常高，属于高精度预测模型；所建模型泛化性能良好，完全可以对落叶松木材高温高压热改性的力学性能进行预测，为改善落叶松木材热改性工艺参数提供良好的技术支持。

3.4RBF神经网络模型与支持向量机模型性能对比

采用多种训练样本数和测试样本数，比较RBF模型与SVR模型性能指标(见表2)。由表2可见：SVR模型样本训练平均相对误差，比RBF模型的样本平均相对误差偏大，但其对应的预测样本的平均相对误差却总体小、精度高。这说明神经网络具有很高的训练精度，但其泛化能力和推广能力却不很理想。

图3　支持向量机算法测试样本点实际值与预测值比较

训练样本/个测试样本/个RBF神经网络模型训练平均相对误差/%预测平均相对误差/%SVR算法模型训练平均相对误差/%预测平均相对误差/%301001.23.51.61.8601001.53.71.51.61001001.71.91.81.91501001.41.51.51.4

当样本集中样本数量发生变化时，两者的泛化误差均有所变化。RBF模型的误差变化较大，尤其当训练样本数目小于60时，其预测平均相对误差已经明显偏高，预测能力变得较差；SVR模型在小样本的情况下，仍然能够保持高质量的预测能力[6]。说明SVR模型对于样本的依赖程度比RBF模型小。

随着样本集数目的逐渐增多，两者的预测能力差距减少，但SVR算法模型仍然表现出较好的预测能力。

4结论

用神经网络和支持向量机建立了木材高温高压热改性后力学性能的预测模型，并对这两种预测模型的性能进行了比较，统计得出：在RBF神经网络算法中，预测样本实际值与测试值最大相对误差绝对值为6.24%、平均相对误差为2.4%，模型对预测数据进行了很好的拟合；在SVM算法中，预测样本实际值与测试值最大相对误差绝对值为3.24%、平均相对误差为1.12%。结果表明：利用支持向量机建立的模型，比RBF神经网络建立的模型预测误差更小、精度更高，是一种性能优良的建模方法。

参考文献

[1]曹秋香，郭福生，曹养同.地质公园研究概论[J].水利科技与经济，2007，13(5)：317-319，341.

[2]薛滨瑞，吴成基.陕西柞水溶洞国家地质公园地质遗迹景观资源与评价[J].资源开发与市场，2014，30(1)：35-37，75.

[3]赵逊，赵汀.地质公园发展与管理[J].地球学报，2009，30(3)：301-308.

[4]穆桂松，李大伟.我国地质公园建设中的问题和对策[J].地域研究与开发，2007，26(4)：79-81.

[5]孔石，付励强，宋慧，等.中国自然保护区与国家地质公园空间分布差异[J].东北农业大学学报，2014，45(9)：73-78.

[6]申燕萍.区域地质旅游资源的评价方法[J].南阳师范学院学报，2005，4(12)：68-71.

[7]张松婷，周秉根，张贤付.湛江湖光岩地质公园资源特色与旅游景观评价研究[J].国土资源科技管理，2007，24(5)：122-125，121.

[8]彭永祥，吴成基.地质遗迹资源保护与利用协调性评价：以陕西省为例[J].资源科学，2006，28(1)：192-197.

[9]方世明，李江风，赵来时.地质遗迹资源评价指标体系[J].地球科学——中国地质大学学报，2008，33(2)：285-288.

[10]袁荃，曾克峰.基于AHP与菲罗模型评价地质遗迹景观：以贵州思南乌江喀斯特国家地质公园为例[J].国土资源科技管理，2012，29(2)：84-90.

[11]余珍风，刘元鹏.房山世界地质公园地质遗迹景观资源特征及评价[J].资源与产业，2009，11(2)：46-50.