于志省，李應(yīng)成，王宇遙，沈志剛，白瑜，蘇智青，王洪學(xué)

[中石化(上海)石油化工研究院有限公司合成材料研究所，上海 201208]

人工神經(jīng)網(wǎng)絡(luò)(ANN)，簡稱神經(jīng)網(wǎng)絡(luò)，它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上，對生物神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能進行數(shù)學(xué)抽象、簡化和模仿而逐步發(fā)展起來的一種新型信息處理和計算系統(tǒng)[1]，是根植于神經(jīng)科學(xué)、數(shù)學(xué)、統(tǒng)計學(xué)、計算機科學(xué)、物理學(xué)和工程學(xué)等學(xué)科的一門技術(shù)。它無須任何先驗公式，即可從已有數(shù)據(jù)中自動歸納規(guī)則，獲取數(shù)據(jù)之間的內(nèi)在規(guī)律，并通過訓(xùn)練模擬預(yù)測出最優(yōu)化數(shù)據(jù)結(jié)果。

由于ANN具有自學(xué)習(xí)、自組織、自適應(yīng)能力以及高容錯、高度非線性描述能力等優(yōu)點，現(xiàn)已廣泛應(yīng)用于計算機、醫(yī)學(xué)、化學(xué)、化工、材料、環(huán)境、農(nóng)業(yè)、氣象、經(jīng)濟、交通、通訊、機器人、自動化、軍事、航空航天等領(lǐng)域[2]。目前，ANN已成為材料科學(xué)和傳統(tǒng)工程材料開發(fā)與應(yīng)用中一種最為成熟、有效的機器學(xué)習(xí)算法，它不僅可以預(yù)測材料的熱學(xué)、物理、力學(xué)、摩擦、電學(xué)等性能，還能夠為研究開發(fā)與應(yīng)用節(jié)省時間和成本[3]。其中，在高分子材料領(lǐng)域，ANN已被廣泛地應(yīng)用于材料的組成、結(jié)構(gòu)、工藝、性能及表征等方面，極大地促進了高分子學(xué)科的發(fā)展[4-5]。

筆者在對ANN技術(shù)介紹的基礎(chǔ)上，討論了常用的反向傳播(BP)神經(jīng)網(wǎng)絡(luò)及其算法改進，重點綜述了ANN技術(shù)在高分子聚合與質(zhì)量控制、加工工藝條件優(yōu)化、使用性能預(yù)測以及輔助表征與分析等方面的研究應(yīng)用現(xiàn)狀，并對其未來的發(fā)展趨勢進行了展望。

1 ANN簡介

人體大腦的神經(jīng)元結(jié)構(gòu)，包括細胞體和突起兩部分，如圖1所示。細胞體具有細胞代謝和聯(lián)絡(luò)、整合與傳輸信息的作用。突起有樹突和軸突兩種：前者接受其他神經(jīng)元軸突傳來的信息并傳送給細胞體，后者接受外來刺激，再由細胞體傳出。ANN就是一種模擬人腦結(jié)構(gòu)及其功能對信息進行處理的復(fù)雜系統(tǒng)，其特點為：具有并行結(jié)構(gòu)和較強的大規(guī)模并行處理機制；分布式結(jié)構(gòu)使其具有與人腦一樣的容錯性和聯(lián)想能力；具有自學(xué)習(xí)、自組織、自適應(yīng)、容錯性、魯棒性等特點，用于解決知識獲取、函數(shù)逼近、模式識別、信號處理、聯(lián)想記憶、并行推理及聚類分析等問題。從其發(fā)展進程來看，ANN大致分為5個發(fā)展階段(見表1)[6-7]。其中，Rosenblatt定義了第一個真正意義上的ANN模型—感知器，即在M-P模型的基礎(chǔ)上對輸入、輸出神經(jīng)元進行簡單連接，實現(xiàn)了對輸入的線性分類。隨后，經(jīng)過幾十年的發(fā)展，至今已形成了幾十種ANN模型[2]。

圖1 人體大腦神經(jīng)元結(jié)構(gòu)

表1 ANN發(fā)展歷程及典型模型

根據(jù)神經(jīng)元之間的互連方式(拓撲結(jié)構(gòu))，ANN可分為四類[7-8]：①前饋型ANN，即神經(jīng)元分層排列，按照層次先后順序連接，后一層的神經(jīng)元接受前一層輸入信號并將輸出信號輸出給下一層的每一個神經(jīng)元，如感知器、線型聯(lián)想器、Hopfield網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)等；②層內(nèi)互連前饋型ANN，其結(jié)構(gòu)中同層神經(jīng)元之間存在互連關(guān)系，通過同層神經(jīng)元之間相互作用，實現(xiàn)層內(nèi)神經(jīng)元活動的控制；③反饋型ANN，其結(jié)構(gòu)中最后一層的神經(jīng)元會將輸出信號反饋到最前一層的神經(jīng)元中，可用于動態(tài)時間序列過程，如BP神經(jīng)網(wǎng)絡(luò)、Kohonen自組織網(wǎng)絡(luò)、Boltzmann網(wǎng)絡(luò)等；④互連型ANN，其任意兩個神經(jīng)元之間都可以建立單向的或雙向的連接關(guān)系。表2列舉了幾種主要的ANN模型、結(jié)構(gòu)及其典型的應(yīng)用領(lǐng)域[9-10]。

表2 典型ANN特性及其應(yīng)用領(lǐng)域

BP神經(jīng)網(wǎng)絡(luò)是一種正向求解、反向傳播誤差并達到修改層次之間連接權(quán)值的多層前饋網(wǎng)絡(luò)模型，包括前饋輸入訓(xùn)練模式、計算反向傳播的相關(guān)誤差、權(quán)重調(diào)整等三個階段。因其算法實現(xiàn)了多層網(wǎng)絡(luò)學(xué)習(xí)的設(shè)想，使其具有廣泛的適應(yīng)性和有效性，從而大大擴展了使用范圍，成為目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)。

從結(jié)構(gòu)上來看，BP網(wǎng)絡(luò)包含輸入層、輸出層以及處于輸入、輸出層之間的中間層(隱含層)(見圖2)。任意兩個神經(jīng)元之間都可以建立連接關(guān)系，這種關(guān)系既可以是單向的，也可以是雙向的。每個輸入神經(jīng)元都有一個決定其與下一個神經(jīng)元互聯(lián)強度大小的權(quán)重因子。實際應(yīng)用中，隱含層包含單個層或多個層，每一層都有不同數(shù)量的神經(jīng)元。隱含層與外界不連接，但其狀態(tài)會影響輸入、輸出之間的關(guān)系。改變隱含層的權(quán)系數(shù)，將改變整個多層神經(jīng)網(wǎng)絡(luò)的性能。隱含層單元數(shù)太少，網(wǎng)絡(luò)可能無法訓(xùn)練或容錯性差；隱含層單元數(shù)太多，又使得學(xué)習(xí)時間過長，誤差也可能達不到最佳。

圖2 BP型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP算法還存在一定的缺陷[7,11]：“黑箱”效應(yīng)，即無法對模型或訓(xùn)練結(jié)果作出直觀的解釋；訓(xùn)練速度慢且易陷入局部極小值，無法得到最優(yōu)性能；學(xué)習(xí)時間過長，信息記錄過多，導(dǎo)致學(xué)習(xí)過度，誤差反而大幅增加；缺乏確定的網(wǎng)絡(luò)結(jié)構(gòu)選擇標準和理論指導(dǎo)；學(xué)習(xí)能力與預(yù)測能力關(guān)系較為復(fù)雜，隨著學(xué)習(xí)能力提高預(yù)測能力反而下降，出現(xiàn)“過擬合”現(xiàn)象；對樣本依賴性高，需選擇代表性數(shù)據(jù)來反映樣本整體規(guī)律，才能建立起正確的映射關(guān)系和高精度的模型。對此，為了避免局部最小和提高收斂速度，許多學(xué)者提出了多種高效的改進方法[12]，如加動量算法、可變學(xué)習(xí)速率的梯度下降算法、牛頓法等。另外，為了得到全局最優(yōu)解，研究者還結(jié)合其它領(lǐng)域較為成熟的優(yōu)化算法和參數(shù)估計理論，提出各種基于新理論的改進算法，如遺傳算法、模擬退火等[13]。

2 ANN在高分子材料領(lǐng)域的應(yīng)用

為了滿足工程應(yīng)用對材料一項或多項性能指標的要求，往往通過選擇合適的結(jié)構(gòu)組成、比例以及適宜的制造工藝來設(shè)計和生產(chǎn)聚合物及其復(fù)合材料。結(jié)構(gòu)組成、工藝優(yōu)化、性能關(guān)聯(lián)規(guī)律，三者有機結(jié)合，缺一不可[14]。材料設(shè)計與應(yīng)用很大程度上依賴于性能，性能研究又受內(nèi)部結(jié)構(gòu)、生產(chǎn)工藝等復(fù)雜因素影響，是對材料進行評估并用于特殊工程應(yīng)用的關(guān)鍵環(huán)節(jié)。運用傳統(tǒng)的數(shù)學(xué)建模方法來研究處理結(jié)構(gòu)、工藝與性能之間的關(guān)系，往往使得模型本身存在較大的局限性，難以滿足工程技術(shù)需求[15]。這是由于傳統(tǒng)的數(shù)學(xué)模型無法有效地處理非線性、高噪聲、數(shù)據(jù)樣本分布不均勻等復(fù)雜數(shù)據(jù)樣本導(dǎo)致的。

近二十年來，ANN以其建模的高效性、準確性和從已知數(shù)據(jù)中獲取知識等優(yōu)勢，引發(fā)材料研究者的廣泛關(guān)注和運用。通過網(wǎng)絡(luò)訓(xùn)練，學(xué)習(xí)隱藏在輸入層(配方、組成、工藝條件等)與輸出層(材料性能)之間的關(guān)系，建立輸入/輸出數(shù)據(jù)之間的非線性關(guān)系，適用于最優(yōu)配方的搜索；同時，區(qū)分研究過程中的規(guī)律和噪音，采用補充試驗結(jié)果對網(wǎng)絡(luò)進一步訓(xùn)練，獲得更好的學(xué)習(xí)效果；利用矩陣運算等方法，無須大的結(jié)構(gòu)改變，適用于處理多輸入、多輸出即多因子、多水平、多性能的問題。

2.1 高分子聚合與加工工藝設(shè)計

聚合過程是一個動態(tài)變化、復(fù)雜的非線性反應(yīng)過程，對此研究人員很難設(shè)計出一個精確的過程模型和控制方案。ANN模型不僅有助于聚合反應(yīng)器設(shè)計，而且還有助于其他難以適時修正的參數(shù)的預(yù)測，如反向建模、產(chǎn)品質(zhì)量、聚合復(fù)合體系以及過程優(yōu)化等[16]。

Noor等[17]詳細地綜述了不同類型的ANN模型在乙酸乙烯酯連續(xù)聚合體系、氣相乙烯聚合體系、連續(xù)管式反應(yīng)器中苯乙烯自由基聚合體系、甲基丙烯酸甲酯自由基聚合體系等的反應(yīng)過程控制，以及苯乙烯聚合物的分子量、分子量分布、平均分子鏈尺度、引發(fā)體系調(diào)控等方面的應(yīng)用進展。

張輝等[18]選擇苯乙烯單體的體積分數(shù)、過硫酸銨引發(fā)劑的濃度、聚乙二醇辛基苯基醚乳化劑的體積分數(shù)、水浴溫度作為ANN輸入值，以聚苯乙烯小球的尺寸相對標準偏差(σ)作為輸出值，研究了聚合反應(yīng)工藝參數(shù)與小球σ之間的關(guān)聯(lián)規(guī)律，并對新工藝參數(shù)下小球的σ進行了預(yù)測。實驗結(jié)果判別標準為：σ＜5%為1類點，σ＞5%為2類點。將原始樣本集歸一化處理，采用3層BP網(wǎng)絡(luò)，以sigmoid函數(shù)為隱含層傳遞函數(shù)，用梯度法訓(xùn)練網(wǎng)絡(luò)調(diào)整連接權(quán)Wji，以訓(xùn)練誤差0.1為收斂標志，訓(xùn)練10 000次，并運用訓(xùn)練好的ANN進行預(yù)測，偏差低于2.5%，預(yù)測值與實驗值相吻合。

王偉等[19]以光引發(fā)自由基聚合方法合成出星型聚丙烯酰胺，采用L9(43)正交試驗結(jié)果作為ANN訓(xùn)練樣本，采用MATLAB軟件中的BP網(wǎng)絡(luò)設(shè)計方法進行學(xué)習(xí)訓(xùn)練，并對不同引發(fā)劑濃度、單體濃度、反應(yīng)時間和光強條件下的反應(yīng)轉(zhuǎn)化率、特性黏數(shù)進行預(yù)測。實驗結(jié)果表明星型聚丙烯酰胺最佳合成工藝條件為：二苯甲酮濃度0.50 mmol/L、丙烯酰胺質(zhì)量濃度28%、反應(yīng)時間120 min、光強10.25 mW/cm2，反應(yīng)轉(zhuǎn)化率實驗值達98.8%、產(chǎn)物特性黏數(shù)實驗值為13.28 dL/g。滕鑫等[10]采用同樣方法，建立了異氰酸酯含量、加工溫度、試用期、后固化溫度、比重等配方技術(shù)參數(shù)與聚氨酯拉伸強度之間的非線性關(guān)系規(guī)律，預(yù)測誤差小于4.6%，具有較好的指導(dǎo)作用。

Agnol等[20]將ANN與曲面響應(yīng)模型相結(jié)合，預(yù)測了二異氰酸酯與不同摩爾質(zhì)量的聚碳酸酯二醇(PU500，PU1000，PU2000)聚合時的量熱行為，所創(chuàng)建的三維曲面響應(yīng)圖可有效預(yù)測聚合反應(yīng)動力學(xué)以及聚合過程中的熱焓和反應(yīng)程度。其結(jié)果表明：二醇分子量高時，聚合放熱峰趨于更高的溫度；二醇分子量低時，易形成分子內(nèi)氫鍵，發(fā)生締合現(xiàn)象，進而降低反應(yīng)活化能。

另外，ANN在聚合物加工處理及工藝優(yōu)化方面也得到廣泛的應(yīng)用，從而指導(dǎo)材料配方組成設(shè)計、加工制造及工程應(yīng)用。

許鵬[7]通過對前期數(shù)據(jù)處理中的擬合誤差、梯度效應(yīng)、尺寸誤差，以及成型過程中激光掃描設(shè)備定位精度、加熱系統(tǒng)溫度控制性能等，對選擇性激光燒結(jié)成型精度的影響進行了分析；采用正交試驗設(shè)計方法與BP網(wǎng)絡(luò)結(jié)合，建立了選擇性激光燒結(jié)工藝參數(shù)與精度之間的非線性模型，平均預(yù)測誤差在4.5%，體現(xiàn)出較好的泛化能力；同時，還采用均勻設(shè)計初始化的粒子群算法對支持向量回歸參數(shù)進行了尋優(yōu)，最終建立的模型平均誤差為3.9%，實現(xiàn)對工藝參數(shù)的智能化選擇，為選擇性激光燒結(jié)智能化和推廣提供了借鑒。

時慧焯[13]提出了基于最大化期望提高加點準則、基于最大化期望評價函數(shù)加點準則以及基于ANN代理模型和加權(quán)形式的期望提高加點準則的三種ANN序列優(yōu)化設(shè)計方法，以模具溫度、熔體溫度、注射時間、保壓時間、保壓壓力和冷卻時間等工藝參數(shù)為設(shè)計變量，對聚碳酸酯及其合金等注塑制品的翹曲變形進行了目標優(yōu)化設(shè)計。上述優(yōu)化設(shè)計方法不僅可以描述設(shè)計變量與質(zhì)量指標之間的函數(shù)關(guān)系，節(jié)約數(shù)值模擬分析時間，還能調(diào)整局部和全局搜索，提高代理模型精度以及優(yōu)化結(jié)果的精度，同時還能加快收斂速度，對全局最優(yōu)解的逼近程度高，最終可以有效降低注塑制品的翹曲變形。

Oliaei等[21]采用聚乳酸、聚乳酸/熱塑性聚氨酯和聚乳酸/熱塑性淀粉為基材，開發(fā)綠色生物可降解的聚合物制件，通過材料分析、注塑模擬、控制參數(shù)設(shè)計等，來評估制件翹曲和體積收縮問題。采用正交試驗設(shè)計、方差分析(ANOVA)考察了冷卻溫度、保壓時間、保壓壓力、模具溫度和熔體溫度等工藝參數(shù)與制件翹曲、體積收縮關(guān)系，并通過ANN方法進行信號識別和優(yōu)化，最終確定最優(yōu)化的加工工藝條件。結(jié)果表明ANN對收縮或翹曲最小化的最優(yōu)水平選擇與ANOVA最優(yōu)水平選擇結(jié)果相吻合。其中，熔融溫度、冷卻溫度和保壓時間對收縮和翹曲影響顯著；與聚乳酸、聚乳酸/熱塑性淀粉相比，聚乳酸/熱塑性聚氨酯表現(xiàn)出優(yōu)異的抗翹曲和收縮缺陷的能力。

劉鋒等[22]選取模具溫度、熔體溫度、注塑時間、保壓時間、保壓壓力為設(shè)計變量，通過集成有限元模擬、Taguchi正交試驗、BP神經(jīng)網(wǎng)絡(luò)以及粒子群優(yōu)化算法等對薄壁塑件翹曲變形量進行優(yōu)化，在優(yōu)化后的工藝參數(shù)下實現(xiàn)翹曲變形量比優(yōu)化前減少37%，并應(yīng)用Moldflow對優(yōu)化工藝參數(shù)可靠性進行了模擬驗證，驗證值和優(yōu)化結(jié)果高度吻合，僅相差0.015 mm，表明所采用的優(yōu)化方法能顯著減少注塑工藝參數(shù)調(diào)控過程對操作人員的經(jīng)驗依賴，具有較高的工程應(yīng)用價值。

周浩文等[23]運用計算機CAE技術(shù)和Moldflow軟件，對機型、環(huán)境進行模擬仿真，并模擬試驗原材料和設(shè)定的工藝參數(shù)，采用信噪比分析法和正交試驗法對試驗數(shù)據(jù)進行綜合分析，結(jié)合ANN和MATLAB平臺，建立網(wǎng)絡(luò)模型，實現(xiàn)對注塑工藝的預(yù)測；利用細化分析法，對模擬數(shù)據(jù)進行數(shù)學(xué)統(tǒng)計和分析，獲取翹曲變形和體積收縮的最優(yōu)工藝參數(shù)。

鄭生榮等[24]通過建立模具溫度、熔體溫度、注射時間為三參數(shù)輸入、注射壓力為單值輸出的兩層BP網(wǎng)絡(luò)，經(jīng)過足夠樣本訓(xùn)練后，所預(yù)測的壓力值與CAE模擬結(jié)果具有良好的吻合性。

總的來看，神經(jīng)網(wǎng)絡(luò)模型在超薄塑料制品流程長度預(yù)測[25]、注塑塑料件質(zhì)量控制[26-27]、減少翹曲變形和縮痕缺陷[28-29]、快速成型工藝優(yōu)化[30]等方面得到了廣泛的應(yīng)用，有效地提升了塑料件的使用性能。

2.2 高分子材料使用與服役性能預(yù)測

高分子及其復(fù)合材料結(jié)構(gòu)設(shè)計自由度大、影響因素多，運用回歸模型、多元回歸模型、支持向量機等統(tǒng)計建模方法在預(yù)測此類材料的物理、力學(xué)和摩擦學(xué)行為時，往往存在預(yù)測精度低的問題，難以研究其結(jié)構(gòu)性能關(guān)系，也無法滿足工程技術(shù)需求。前饋型、反饋型ANN及其與有限元模型、自適應(yīng)模糊推理系統(tǒng)、遺傳算法等形成的復(fù)合模型已被大量運用于精確預(yù)測高分子材料、納米復(fù)合材料以及單維、多維纖維增強復(fù)合材料的各種性能，如靜態(tài)行為、拉伸蠕變行為、疲勞壽命、摩擦學(xué)性能、動態(tài)機械行為、沖擊過程、振動控制、層離機理、裂紋、損傷探測以及生命周期評估等[3，14，20，31-36]。

沖擊響應(yīng)行為是纖維增強高分子材料的一個重要技術(shù)參數(shù)。影響材料對沖擊響應(yīng)的主要因素包括纖維與基體的類型、纖維層的序列和厚度以及沖擊擺錘的質(zhì)量、形狀和速度等。Mousavi等[37]采用有限元模型、正交試驗方法與ANN方法結(jié)合，研究了碳纖維增強聚合物層合板對高速沖擊響應(yīng)下的雜化效應(yīng)。采用玻璃纖維層和芳綸纖維層部分替換層壓板中的碳層，可以顯著地改變層合板的破壞模式，增加沖擊能量吸收，降低擺錘剩余速度；當(dāng)在層壓板背面引入4層高強度、高應(yīng)變的芳綸纖維層替代碳纖維層時，層壓板吸收能量最高可提高67%。Chandrashekhara等[38]則基于高階剪切變形原理，通過建立有限元模型來計算層壓片材在低速沖擊試驗中的應(yīng)變模式和接觸力，通過實驗方法獲得沖擊誘導(dǎo)應(yīng)變模式后，即可使用BP網(wǎng)絡(luò)直接在線預(yù)測出材料的接觸力。

張興華等[39]利用高密度聚乙烯、線性低密度聚乙烯以及兩者共混物和乙烯-乙酸乙烯酯共聚物的密度、熔體流動速率、共混比例、乙酸乙烯酯含量作為輸入值，拉伸強度、彎曲強度、缺口沖擊強度作為輸出值，經(jīng)過10 000次以上BP模型訓(xùn)練、收斂，得到網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，并利用已知數(shù)據(jù)對網(wǎng)絡(luò)進行檢驗。結(jié)果證明所建立的網(wǎng)絡(luò)具有快速、容錯、自適應(yīng)等特點，既可以處理數(shù)據(jù)多、齊全的體系，也可以訓(xùn)練數(shù)據(jù)少或殘缺的系統(tǒng)，預(yù)測準確率高，應(yīng)用效果良好。

史以俊等[40]利用MATLAB軟件中的ANN工具箱，選用材料組成、測試條件作為輸入變量，以摩擦系數(shù)、磨損量為輸出量，輸出層與隱含層間采用tan-sigmoid傳遞函數(shù)，隱含層與輸出層間采用purelin傳遞函數(shù)，誤差指標為0.000 1，最大迭代步數(shù)10 000，建立網(wǎng)絡(luò)模型。同時，對比了批梯度下降算法、動量批梯度下降算法、自適應(yīng)修改學(xué)習(xí)率算法、有彈回的神經(jīng)網(wǎng)絡(luò)算法、共軛梯度算法以及高斯-牛頓算法等6種算法的優(yōu)劣；并以平均誤差最小的共軛梯度算法對ANN模型進行訓(xùn)練，預(yù)測出在200 N、0.692 m/s測試條件下，當(dāng)聚四氟乙烯、碳纖維、二氧化硅質(zhì)量比為79∶15∶6時，復(fù)合材料的耐磨性能最佳，實驗誤差為7%。

薛繼斌[41]采用最優(yōu)的貝葉斯正則化訓(xùn)練函數(shù)，對比了單隱含層和多隱含層ANN在材料摩擦性能預(yù)測中的功效，采用反饋Elman、前饋BP、徑向基函數(shù)(RBF) 3種網(wǎng)絡(luò)預(yù)測了材料的升溫摩擦系數(shù)和降溫摩擦系數(shù)。實驗發(fā)現(xiàn)，多隱含層ANN可以優(yōu)化單隱含層ANN預(yù)測性能的準確性；反饋Elman網(wǎng)絡(luò)預(yù)測精度最高，優(yōu)于其它兩種網(wǎng)絡(luò)。

Jiang等[42]以短纖維增強尼龍46材料實驗值和溫度、法向力、滑移速度等測試條件為輸入樣本，采用ANN方法預(yù)測了材料的磨損性能(比磨損率、摩擦系數(shù))和物理力學(xué)性能(壓縮強度、壓縮彈性模量、拉伸強度、彎曲強度)，分別建立了不同材料組成(玻璃纖維、碳纖維、聚四氟乙烯、石墨)和測試條件下的磨損、力學(xué)性能的三維曲面圖，并對比了Powell-Beale共軛梯度算法、自適應(yīng)學(xué)習(xí)速率算法、比例共軛梯度算法、Broyden-Fletcher-Goldfarb-Shanno (BFGS)半牛頓法、Levenberg-Marquardt算法以及貝葉斯正則化算法的訓(xùn)練水平和預(yù)測能力，其中，Powell-Beale共軛梯度算法的平均相對誤差最低、決定系數(shù)高，具有最優(yōu)的網(wǎng)絡(luò)近似能力。

另外，顆粒增強高分子材料因其高的比強度、耐化學(xué)性、介電性和力學(xué)性能而被廣泛應(yīng)用于工程、機械、航空等領(lǐng)域。填料尺寸和形狀是決定此類增強材料整體性能的關(guān)鍵參數(shù)。Sharma等[43-44]在3種不同沖擊加載速率下，研究了純環(huán)氧樹脂、二氧化硅填充環(huán)氧樹脂(體系I)以及不同長徑比(球形、片狀和棒狀)的填料填充環(huán)氧樹脂(體系Ⅱ)的動態(tài)斷裂韌性，采用前饋型多層感知器預(yù)測不同體系材料的斷裂韌性，采用梯度下降函數(shù)進行突觸權(quán)重優(yōu)化，模型準確率達91%。研究發(fā)現(xiàn)，影響體系I應(yīng)力強度因子的因素(輸入層參數(shù))依次為：時間、加載速率、剪切波速、縱向波速、填料體積分數(shù)；影響體系Ⅱ應(yīng)力強度因子的因素依次為：時間、填料長徑比、動態(tài)模量、填料體積分數(shù)。由此可見，加載速率與填料長徑比是影響材料在沖擊載荷條件下斷裂行為的兩個重要因素。

再者，抗老化性能直接影響著高分子材料的使用性能和壽命，對其的研究具有重要意義。謝紅梅等[45]針對塑料老化過程，利用ANN方法建立自然老化力學(xué)性能時間序列的預(yù)測模型，很好地解決老化試驗中數(shù)據(jù)少、統(tǒng)計規(guī)律不明顯的問題，大大縮短試驗時間，節(jié)約試驗費用，滿足工程實際對塑料老化性能預(yù)測精度要求。楊伏生等[46]基于Visual FoxPro面向?qū)ο箝_發(fā)環(huán)境，建立了塑料光降解性能與控制因素的BP網(wǎng)絡(luò)模型，收斂速度快，預(yù)測誤差范圍為0.001～0.005，可用于精確預(yù)測塑料材料的光降解性能。

另一方面，定量結(jié)構(gòu)性能關(guān)系模型在預(yù)測新材料的行為特性以及研究結(jié)構(gòu)如何影響材料宏觀性能時發(fā)揮著重要作用?；?92種聚苯乙烯、聚丙烯酸酯和聚甲基丙烯酸酯及其衍生物的單體化學(xué)結(jié)構(gòu)，Yu等[47]建立了剛性結(jié)構(gòu)(ROM)、鏈運動(n)、分子平均極化率(α)、凈電荷(q-)與玻璃化轉(zhuǎn)變溫度(Tg)之間的定量結(jié)構(gòu)性能關(guān)系，通過逐步多元線性回歸方法和BP網(wǎng)絡(luò)構(gòu)建模型，所預(yù)測的Tg與實驗值高度吻合。然而，在構(gòu)建結(jié)構(gòu)模型時，往往存在人工提取特征和處理簡化分子線性輸入規(guī)范碼(SMILES碼)相對困難等問題。對此，楊寧等[48]提出了一種端到端的圖神經(jīng)網(wǎng)絡(luò)方法，即將SMILES碼表示為圖形，頂點代表原子，邊代表化學(xué)鍵，通過構(gòu)建分子圖神經(jīng)網(wǎng)絡(luò)得到分子的向量表示，再通過構(gòu)建分子向量、環(huán)境、條件等信息全連接神經(jīng)網(wǎng)絡(luò)回歸模型，以預(yù)測樹脂材料的耐高溫性能(熱失重5%時的溫度)；相比于支持向量機、貝葉斯矩陣分解模型等傳統(tǒng)機器學(xué)習(xí)模型，該模型預(yù)測準確率提高一倍以上。Miccio等[49]以300余種聚苯乙烯類和聚丙烯酸酯類聚合物及其Tg為訓(xùn)練樣本，將每個單體的結(jié)構(gòu)轉(zhuǎn)換為一個SMILES字符串，再通過SMILES字符字典和編碼將其轉(zhuǎn)換為二元圖像，其中列(nd)表示字典中的SMILES字符數(shù)，行(nposmax)表示數(shù)據(jù)集最長字符串中的位置數(shù)，mx代表數(shù)據(jù)集中聚合物的數(shù)量。在此基礎(chǔ)上設(shè)計、訓(xùn)練出一種全回旋互聯(lián)ANN來預(yù)測聚合物的Tg，預(yù)測平均相對誤差低至6%。該模型有望擴展到預(yù)測未知聚合物的極化率等其它性質(zhì)，從而加速人們對高分子科學(xué)中復(fù)雜結(jié)構(gòu)性能關(guān)系的科學(xué)認知。

2.3 輔助性能表征與分析

隨著光譜學(xué)及計算機技術(shù)的發(fā)展，(近)紅外光譜在高分子材料、醫(yī)藥、大氣中有害物質(zhì)等分析中的應(yīng)用日趨廣泛。無論從組成結(jié)構(gòu)含量測定到關(guān)鍵成分的非破壞表征，還是從生產(chǎn)過程各階段在線監(jiān)控到原材料與產(chǎn)品的快速鑒定等，(近)紅外光譜無不顯示出了巨大的應(yīng)用潛力。然而，(近)紅外光譜譜帶寬，光譜重疊嚴重，多屬非線性干擾，無法直接分辨，解析繁雜，嚴重制約該技術(shù)的廣泛應(yīng)用。因此，往往需要借助各種化學(xué)計量學(xué)算法進行光譜解析，實現(xiàn)對組成含量、濃度的定量分析[50]。

利用近紅外光譜技術(shù)對工業(yè)和生活垃圾中的塑料材料進行快速檢測、分離和回收利用，在實現(xiàn)經(jīng)濟效益的同時，可以有效實施可持續(xù)發(fā)展理念、解決環(huán)境污染問題。滕傲雪等[51]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的汽車前保險杠塑料識別方法，該方法以汽車前保險杠塑料的近紅外光譜數(shù)據(jù)為基礎(chǔ)，通過標準差來分析數(shù)據(jù)在不同波段的差異程度，據(jù)此分為高、中、低差異度3類，使用主成分分析法對3類波段中的數(shù)據(jù)分別進行降維處理并構(gòu)成三維數(shù)據(jù)，使其能夠在三維空間內(nèi)進行區(qū)分，提高魯棒性，并利用該三維數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了汽車前保險杠塑料的快速識別，其正確率達到了93.75%，為現(xiàn)場物證的檢驗提供一種全新、快速的方法。然后光譜法卻難以有效鑒別、區(qū)分深色或者表面受到重度污染或破壞的材料。因而，亟需一種經(jīng)濟、高效、快速、自動化的方法來實現(xiàn)分離作業(yè)。

激光輔助技術(shù)是通過CO2激光器產(chǎn)生的加熱激光脈沖對不同材料的紅外熱圖像進行觀測，而不受材料顏色或性質(zhì)的影響。如激光誘導(dǎo)擊穿光譜儀已被成功用于快速識別、分離聚合物材料以及痕量金屬元素添加劑等[52]。該光譜法是采用240～820 nm范圍寬帶頻譜來探測識別單次激光發(fā)射后的原子元素和分子帶，得到碳、氫、氧、氮、鹵素及鎂、鈣、鈦等13種元素的光譜線，將光譜線對應(yīng)波長作為ANN輸入層參數(shù)，將所探測的8種聚合物作為輸出層，經(jīng)過訓(xùn)練學(xué)習(xí)，可實現(xiàn)對聚丙烯、聚碳酸酯和聚氯乙烯的識別準確率達100%，對聚四氟乙烯、聚酰胺66的識別準確率為99%，對聚乙烯、聚甲基丙烯酸甲酯的識別準確率為94%。另外，Rabiej等[53]基于免疫算法和廣角X射線衍射技術(shù)，通過未知聚合物的衍射曲線、晶面峰位置等信息，將其與數(shù)據(jù)庫中的參考物進行比較，采用原始程序?qū)⑶€特征依次編碼為信號鏈，后進行ANN網(wǎng)絡(luò)存儲、訓(xùn)練，再經(jīng)過未知聚合物的激活信號與數(shù)據(jù)庫中的總激活信號進行比對，選取具有最大相似度的衍射特征曲線，最終確認未知聚合物類型。此外，ANN方法還被用來輔助分析和表征高分子材料的流變行為、生物醫(yī)用高分子納米粒子的尺寸控制等[54-55]，不僅豐富了ANN技術(shù)的應(yīng)用領(lǐng)域和范圍，還快速推動了高分子材料在工程、醫(yī)藥等領(lǐng)域的廣泛應(yīng)用與實踐。

3 結(jié)語

(1) ANN技術(shù)適合于模擬復(fù)雜的高分子材料與工程領(lǐng)域問題，已在高分子聚合與質(zhì)量控制、加工工藝條件優(yōu)化、使用性能預(yù)測以及輔助性能表征與分析等方面取得了廣泛應(yīng)用，展現(xiàn)出廣闊的應(yīng)用前景，對推動高分子學(xué)科理論的發(fā)展與實踐的進步具有重要意義。隨著計算機技術(shù)的不斷進步和人們對ANN的不斷認識，ANN正向模擬人類認知的道路上前行，將在實際應(yīng)用中得到更好地發(fā)展。

(2) ANN方法在高分子領(lǐng)域應(yīng)用與探索仍處于一個基礎(chǔ)階段，在拓展材料應(yīng)用品類和提高預(yù)測質(zhì)量方面仍需進一步深入研究。同時，在研究過程中發(fā)現(xiàn)理論算法方面還不夠完善，在實際應(yīng)用中還存在一些問題，如網(wǎng)絡(luò)隱節(jié)點數(shù)的選擇、傳遞函數(shù)的選擇與優(yōu)化以及網(wǎng)絡(luò)的過擬合等。

(3) ANN模型所能達到的精度還無法預(yù)知，給精確實現(xiàn)多維非線性映射帶來一定難度，亟待更多學(xué)者進行更深入的研究。將ANN技術(shù)與傳統(tǒng)材料研究方法有機結(jié)合，相互驗證，相互補充，從而探究材料制備過程中的機理及微觀本質(zhì)。近年來，遺傳算法、模糊系統(tǒng)、進化機制等方法與神經(jīng)網(wǎng)絡(luò)結(jié)合形成人工智能，將有助于ANN技術(shù)及其應(yīng)用不斷地趨向于成熟和完善。