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(jiǎn)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(duì)生物神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能進(jìn)行數(shù)學(xué)抽象、簡(jiǎn)化和模仿而逐步發(fā)展起來(lái)的一種新型信息處理和計(jì)算系統(tǒng)[1]，是根植于神經(jīng)科學(xué)、數(shù)學(xué)、統(tǒng)計(jì)學(xué)、計(jì)算機(jī)科學(xué)、物理學(xué)和工程學(xué)等學(xué)科的一門技術(shù)。它無(wú)須任何先驗(yàn)公式，即可從已有數(shù)據(jù)中自動(dòng)歸納規(guī)則，獲取數(shù)據(jù)之間的內(nèi)在規(guī)律，并通過(guò)訓(xùn)練模擬預(yù)測(cè)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(cuò)、高度非線性描述能力等優(yōu)點(diǎn)，現(xiàn)已廣泛應(yīng)用于計(jì)算機(jī)、醫(yī)學(xué)、化學(xué)、化工、材料、環(huán)境、農(nóng)業(yè)、氣象、經(jīng)濟(jì)、交通、通訊、機(jī)器人、自動(dòng)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(jī)器學(xué)習(xí)算法，它不僅可以預(yù)測(cè)材料的熱學(xué)、物理、力學(xué)、摩擦、電學(xué)等性能，還能夠?yàn)檠芯块_發(fā)與應(yīng)用節(jié)省時(shí)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(jìn)了高分子學(xué)科的發(fā)展[4-5]。

筆者在對(duì)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(jìn)，重點(diǎn)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(cè)以及輔助表征與分析等方面的研究應(yīng)用現(xiàn)狀，并對(duì)其未來(lái)的發(fā)展趨勢(shì)進(jìn)行了展望。

1 ANN簡(jiǎn)介

人體大腦的神經(jīng)元結(jié)構(gòu)，包括細(xì)胞體和突起兩部分，如圖1所示。細(xì)胞體具有細(xì)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(lái)的信息并傳送給細(xì)胞體，后者接受外來(lái)刺激，再由細(xì)胞體傳出。ANN就是一種模擬人腦結(jié)構(gòu)及其功能對(duì)信息進(jìn)行處理的復(fù)雜系統(tǒng)，其特點(diǎn)為：具有并行結(jié)構(gòu)和較強(qiáng)的大規(guī)模并行處理機(jī)制；分布式結(jié)構(gòu)使其具有與人腦一樣的容錯(cuò)性和聯(lián)想能力；具有自學(xué)習(xí)、自組織、自適應(yīng)、容錯(cuò)性、魯棒性等特點(diǎn)，用于解決知識(shí)獲取、函數(shù)逼近、模式識(shí)別、信號(hào)處理、聯(lián)想記憶、并行推理及聚類分析等問(wèn)題。從其發(fā)展進(jìn)程來(lái)看，ANN大致分為5個(gè)發(fā)展階段(見(jiàn)表1)[6-7]。其中，Rosenblatt定義了第一個(gè)真正意義上的ANN模型—感知器，即在M-P模型的基礎(chǔ)上對(duì)輸入、輸出神經(jīng)元進(jìn)行簡(jiǎn)單連接，實(shí)現(xiàn)了對(duì)輸入的線性分類。隨后，經(jīng)過(guò)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?fù)浣Y(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(hào)并將輸出信號(hào)輸出給下一層的每一個(gè)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(guò)同層神經(jīng)元之間相互作用，實(shí)現(xiàn)層內(nèi)神經(jīng)元活動(dòng)的控制；③反饋型ANN，其結(jié)構(gòu)中最后一層的神經(jīng)元會(huì)將輸出信號(hào)反饋到最前一層的神經(jīng)元中，可用于動(dòng)態(tài)時(shí)間序列過(guò)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(gè)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(dá)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(jì)算反向傳播的相關(guān)誤差、權(quán)重調(diào)整等三個(gè)階段。因其算法實(shí)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(kuò)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(lái)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(jiàn)圖2)。任意兩個(gè)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(gè)輸入神經(jīng)元都有一個(gè)決定其與下一個(gè)神經(jīng)元互聯(lián)強(qiáng)度大小的權(quán)重因子。實(shí)際應(yīng)用中，隱含層包含單個(gè)層或多個(gè)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(huì)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(gè)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(wú)法訓(xùn)練或容錯(cuò)性差；隱含層單元數(shù)太多，又使得學(xué)習(xí)時(shí)間過(guò)長(zhǎng)，誤差也可能達(dá)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(wú)法對(duì)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(wú)法得到最優(yōu)性能；學(xué)習(xí)時(shí)間過(guò)長(zhǎng)，信息記錄過(guò)多，導(dǎo)致學(xué)習(xí)過(guò)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(biāo)準(zhǔn)和理論指導(dǎo)；學(xué)習(xí)能力與預(yù)測(cè)能力關(guān)系較為復(fù)雜，隨著學(xué)習(xí)能力提高預(yù)測(cè)能力反而下降，出現(xiàn)“過(guò)擬合”現(xiàn)象；對(duì)樣本依賴性高，需選擇代表性數(shù)據(jù)來(lái)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(duì)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(jìn)方法[12]，如加動(dòng)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(jì)理論，提出各種基于新理論的改進(jìn)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(duì)材料一項(xiàng)或多項(xiàng)性能指標(biāo)的要求，往往通過(guò)選擇合適的結(jié)構(gòu)組成、比例以及適宜的制造工藝來(lái)設(shè)計(jì)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(jī)結(jié)合，缺一不可[14]。材料設(shè)計(jì)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(duì)材料進(jìn)行評(píng)估并用于特殊工程應(yīng)用的關(guān)鍵環(huán)節(jié)。運(yùn)用傳統(tǒng)的數(shù)學(xué)建模方法來(lái)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(wú)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(lái)，ANN以其建模的高效性、準(zhǔn)確性和從已知數(shù)據(jù)中獲取知識(shí)等優(yōu)勢(shì)，引發(fā)材料研究者的廣泛關(guān)注和運(yùn)用。通過(guò)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(shí)，區(qū)分研究過(guò)程中的規(guī)律和噪音，采用補(bǔ)充試驗(yàn)結(jié)果對(duì)網(wǎng)絡(luò)進(jìn)一步訓(xùn)練，獲得更好的學(xué)習(xí)效果；利用矩陣運(yùn)算等方法，無(wú)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(wèn)題。

2.1 高分子聚合與加工工藝設(shè)計(jì)

聚合過(guò)程是一個(gè)動(dòng)態(tài)變化、復(fù)雜的非線性反應(yīng)過(guò)程，對(duì)此研究人員很難設(shè)計(jì)出一個(gè)精確的過(guò)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(jì)，而且還有助于其他難以適時(shí)修正的參數(shù)的預(yù)測(cè)，如反向建模、產(chǎn)品質(zhì)量、聚合復(fù)合體系以及過(guò)程優(yōu)化等[16]。

Noor等[17]詳細(xì)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(guò)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(jìn)展。

張輝等[18]選擇苯乙烯單體的體積分?jǐn)?shù)、過(guò)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?jǐn)?shù)、水浴溫度作為ANN輸入值，以聚苯乙烯小球的尺寸相對(duì)標(biāo)準(zhǔn)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(duì)新工藝參數(shù)下小球的σ進(jìn)行了預(yù)測(cè)。實(shí)驗(yàn)結(jié)果判別標(biāo)準(zhǔn)為：σ＜5%為1類點(diǎn)，σ＞5%為2類點(diǎn)。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(biāo)志，訓(xùn)練10 000次，并運(yùn)用訓(xùn)練好的ANN進(jìn)行預(yù)測(cè)，偏差低于2.5%，預(yù)測(cè)值與實(shí)驗(yàn)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(yàn)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(jì)方法進(jìn)行學(xué)習(xí)訓(xùn)練，并對(duì)不同引發(fā)劑濃度、單體濃度、反應(yīng)時(shí)間和光強(qiáng)條件下的反應(yīng)轉(zhuǎn)化率、特性黏數(shù)進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)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(shí)間120 min、光強(qiáng)10.25 mW/cm2，反應(yīng)轉(zhuǎn)化率實(shí)驗(yàn)值達(dá)98.8%、產(chǎn)物特性黏數(shù)實(shí)驗(yàn)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(qiáng)度之間的非線性關(guān)系規(guī)律，預(yù)測(cè)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(cè)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(shí)的量熱行為，所創(chuàng)建的三維曲面響應(yīng)圖可有效預(yù)測(cè)聚合反應(yīng)動(dòng)力學(xué)以及聚合過(guò)程中的熱焓和反應(yīng)程度。其結(jié)果表明：二醇分子量高時(shí)，聚合放熱峰趨于更高的溫度；二醇分子量低時(shí)，易形成分子內(nèi)氫鍵，發(fā)生締合現(xiàn)象，進(jìn)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(jì)、加工制造及工程應(yīng)用。

許鵬[7]通過(guò)對(duì)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(guò)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(duì)選擇性激光燒結(jié)成型精度的影響進(jìn)行了分析；采用正交試驗(yàn)設(shè)計(jì)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(cè)誤差在4.5%，體現(xiàn)出較好的泛化能力；同時(shí)，還采用均勻設(shè)計(jì)初始化的粒子群算法對(duì)支持向量回歸參數(shù)進(jìn)行了尋優(yōu)，最終建立的模型平均誤差為3.9%，實(shí)現(xiàn)對(duì)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(shí)慧焯[13]提出了基于最大化期望提高加點(diǎn)準(zhǔn)則、基于最大化期望評(píng)價(jià)函數(shù)加點(diǎn)準(zhǔn)則以及基于ANN代理模型和加權(quán)形式的期望提高加點(diǎn)準(zhǔn)則的三種ANN序列優(yōu)化設(shè)計(jì)方法，以模具溫度、熔體溫度、注射時(shí)間、保壓時(shí)間、保壓壓力和冷卻時(shí)間等工藝參數(shù)為設(shè)計(jì)變量，對(duì)聚碳酸酯及其合金等注塑制品的翹曲變形進(jìn)行了目標(biāo)優(yōu)化設(shè)計(jì)。上述優(yōu)化設(shè)計(jì)方法不僅可以描述設(shè)計(jì)變量與質(zhì)量指標(biāo)之間的函數(shù)關(guān)系，節(jié)約數(shù)值模擬分析時(shí)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(shí)還能加快收斂速度，對(duì)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(guò)材料分析、注塑模擬、控制參數(shù)設(shè)計(jì)等，來(lái)評(píng)估制件翹曲和體積收縮問(wèn)題。采用正交試驗(yàn)設(shè)計(jì)、方差分析(ANOVA)考察了冷卻溫度、保壓時(shí)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(guò)ANN方法進(jìn)行信號(hào)識(shí)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(duì)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(shí)間對(duì)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(shí)間、保壓時(shí)間、保壓壓力為設(shè)計(jì)變量，通過(guò)集成有限元模擬、Taguchi正交試驗(yàn)、BP神經(jīng)網(wǎng)絡(luò)以及粒子群優(yōu)化算法等對(duì)薄壁塑件翹曲變形量進(jìn)行優(yōu)化，在優(yōu)化后的工藝參數(shù)下實(shí)現(xiàn)翹曲變形量比優(yōu)化前減少37%，并應(yīng)用Moldflow對(duì)優(yōu)化工藝參數(shù)可靠性進(jìn)行了模擬驗(yàn)證，驗(yàn)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(guò)程對(duì)操作人員的經(jīng)驗(yàn)依賴，具有較高的工程應(yīng)用價(jià)值。

周浩文等[23]運(yùn)用計(jì)算機(jī)CAE技術(shù)和Moldflow軟件，對(duì)機(jī)型、環(huán)境進(jìn)行模擬仿真，并模擬試驗(yàn)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(yàn)法對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行綜合分析，結(jié)合ANN和MATLAB平臺(tái)，建立網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)注塑工藝的預(yù)測(cè)；利用細(xì)化分析法，對(duì)模擬數(shù)據(jù)進(jìn)行數(shù)學(xué)統(tǒng)計(jì)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(guò)建立模具溫度、熔體溫度、注射時(shí)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(guò)足夠樣本訓(xùn)練后，所預(yù)測(cè)的壓力值與CAE模擬結(jié)果具有良好的吻合性。

總的來(lái)看，神經(jīng)網(wǎng)絡(luò)模型在超薄塑料制品流程長(zhǎng)度預(yù)測(cè)[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(cè)

高分子及其復(fù)合材料結(jié)構(gòu)設(shè)計(jì)自由度大、影響因素多，運(yùn)用回歸模型、多元回歸模型、支持向量機(jī)等統(tǒng)計(jì)建模方法在預(yù)測(cè)此類材料的物理、力學(xué)和摩擦學(xué)行為時(shí)，往往存在預(yù)測(cè)精度低的問(wèn)題，難以研究其結(jié)構(gòu)性能關(guān)系，也無(wú)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(yùn)用于精確預(yù)測(cè)高分子材料、納米復(fù)合材料以及單維、多維纖維增強(qiáng)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(dòng)態(tài)機(jī)械行為、沖擊過(guò)程、振動(dòng)控制、層離機(jī)理、裂紋、損傷探測(cè)以及生命周期評(píng)估等[3，14，20，31-36]。

沖擊響應(yīng)行為是纖維增強(qiáng)高分子材料的一個(gè)重要技術(shù)參數(shù)。影響材料對(duì)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(yàn)方法與ANN方法結(jié)合，研究了碳纖維增強(qiáng)聚合物層合板對(duì)高速?zèng)_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(qiáng)度、高應(yīng)變的芳綸纖維層替代碳纖維層時(shí)，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(guò)建立有限元模型來(lái)計(jì)算層壓片材在低速?zèng)_擊試驗(yàn)中的應(yīng)變模式和接觸力，通過(guò)實(shí)驗(yàn)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(cè)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(dòng)速率、共混比例、乙酸乙烯酯含量作為輸入值，拉伸強(qiáng)度、彎曲強(qiáng)度、缺口沖擊強(qiáng)度作為輸出值，經(jīng)過(guò)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(duì)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)。結(jié)果證明所建立的網(wǎng)絡(luò)具有快速、容錯(cuò)、自適應(yīng)等特點(diǎn)，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(cè)準(zhǔn)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(cè)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(biāo)為0.000 1，最大迭代步數(shù)10 000，建立網(wǎng)絡(luò)模型。同時(shí)，對(duì)比了批梯度下降算法、動(dòng)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(duì)ANN模型進(jìn)行訓(xùn)練，預(yù)測(cè)出在200 N、0.692 m/s測(cè)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(shí)，復(fù)合材料的耐磨性能最佳，實(shí)驗(yàn)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(duì)比了單隱含層和多隱含層ANN在材料摩擦性能預(yù)測(cè)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(cè)了材料的升溫摩擦系數(shù)和降溫摩擦系數(shù)。實(shí)驗(yàn)發(fā)現(xiàn)，多隱含層ANN可以優(yōu)化單隱含層ANN預(yù)測(cè)性能的準(zhǔn)確性；反饋Elman網(wǎng)絡(luò)預(yù)測(cè)精度最高，優(yōu)于其它兩種網(wǎng)絡(luò)。

Jiang等[42]以短纖維增強(qiáng)尼龍46材料實(shí)驗(yàn)值和溫度、法向力、滑移速度等測(cè)試條件為輸入樣本，采用ANN方法預(yù)測(cè)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(qiáng)度、壓縮彈性模量、拉伸強(qiáng)度、彎曲強(qiáng)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(cè)試條件下的磨損、力學(xué)性能的三維曲面圖，并對(duì)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(cè)能力，其中，Powell-Beale共軛梯度算法的平均相對(duì)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(qiáng)高分子材料因其高的比強(qiáng)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(jī)械、航空等領(lǐng)域。填料尺寸和形狀是決定此類增強(qiáng)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(zhǎng)徑比(球形、片狀和棒狀)的填料填充環(huán)氧樹脂(體系Ⅱ)的動(dòng)態(tài)斷裂韌性，采用前饋型多層感知器預(yù)測(cè)不同體系材料的斷裂韌性，采用梯度下降函數(shù)進(jìn)行突觸權(quán)重優(yōu)化，模型準(zhǔn)確率達(dá)91%。研究發(fā)現(xiàn)，影響體系I應(yīng)力強(qiáng)度因子的因素(輸入層參數(shù))依次為：時(shí)間、加載速率、剪切波速、縱向波速、填料體積分?jǐn)?shù)；影響體系Ⅱ應(yīng)力強(qiáng)度因子的因素依次為：時(shí)間、填料長(zhǎng)徑比、動(dòng)態(tài)模量、填料體積分?jǐn)?shù)。由此可見(jiàn)，加載速率與填料長(zhǎng)徑比是影響材料在沖擊載荷條件下斷裂行為的兩個(gè)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(duì)其的研究具有重要意義。謝紅梅等[45]針對(duì)塑料老化過(guò)程，利用ANN方法建立自然老化力學(xué)性能時(shí)間序列的預(yù)測(cè)模型，很好地解決老化試驗(yàn)中數(shù)據(jù)少、統(tǒng)計(jì)規(guī)律不明顯的問(wèn)題，大大縮短試驗(yàn)時(shí)間，節(jié)約試驗(yàn)費(fèi)用，滿足工程實(shí)際對(duì)塑料老化性能預(yù)測(cè)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(cè)誤差范圍為0.001～0.005，可用于精確預(yù)測(cè)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(cè)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(shí)發(fā)揮著重要作用。基于192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(yùn)動(dòng)(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(guò)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(cè)的Tg與實(shí)驗(yàn)值高度吻合。然而，在構(gòu)建結(jié)構(gòu)模型時(shí)，往往存在人工提取特征和處理簡(jiǎn)化分子線性輸入規(guī)范碼(SMILES碼)相對(duì)困難等問(wèn)題。對(duì)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(diǎn)代表原子，邊代表化學(xué)鍵，通過(guò)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(guò)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(cè)樹脂材料的耐高溫性能(熱失重5%時(shí)的溫度)；相比于支持向量機(jī)、貝葉斯矩陣分解模型等傳統(tǒng)機(jī)器學(xué)習(xí)模型，該模型預(yù)測(cè)準(zhǔn)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(gè)單體的結(jié)構(gòu)轉(zhuǎn)換為一個(gè)SMILES字符串，再通過(guò)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(zhǎng)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(jì)、訓(xùn)練出一種全回旋互聯(lián)ANN來(lái)預(yù)測(cè)聚合物的Tg，預(yù)測(cè)平均相對(duì)誤差低至6%。該模型有望擴(kuò)展到預(yù)測(cè)未知聚合物的極化率等其它性質(zhì)，從而加速人們對(duì)高分子科學(xué)中復(fù)雜結(jié)構(gòu)性能關(guān)系的科學(xué)認(rèn)知。

2.3 輔助性能表征與分析

隨著光譜學(xué)及計(jì)算機(jī)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(wú)論從組成結(jié)構(gòu)含量測(cè)定到關(guān)鍵成分的非破壞表征，還是從生產(chǎn)過(guò)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(wú)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(yán)重，多屬非線性干擾，無(wú)法直接分辨，解析繁雜，嚴(yán)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(jì)量學(xué)算法進(jìn)行光譜解析，實(shí)現(xiàn)對(duì)組成含量、濃度的定量分析[50]。

利用近紅外光譜技術(shù)對(duì)工業(yè)和生活垃圾中的塑料材料進(jìn)行快速檢測(cè)、分離和回收利用，在實(shí)現(xiàn)經(jīng)濟(jì)效益的同時(shí)，可以有效實(shí)施可持續(xù)發(fā)展理念、解決環(huán)境污染問(wèn)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(xiǎn)杠塑料識(shí)別方法，該方法以汽車前保險(xiǎn)杠塑料的近紅外光譜數(shù)據(jù)為基礎(chǔ)，通過(guò)標(biāo)準(zhǔn)差來(lái)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(duì)3類波段中的數(shù)據(jù)分別進(jìn)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(jìn)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(shí)現(xiàn)了汽車前保險(xiǎn)杠塑料的快速識(shí)別，其正確率達(dá)到了93.75%，為現(xiàn)場(chǎng)物證的檢驗(yàn)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(jì)、高效、快速、自動(dòng)化的方法來(lái)實(shí)現(xiàn)分離作業(yè)。

激光輔助技術(shù)是通過(guò)CO2激光器產(chǎn)生的加熱激光脈沖對(duì)不同材料的紅外熱圖像進(jìn)行觀測(cè)，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(shí)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(lái)探測(cè)識(shí)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(duì)應(yīng)波長(zhǎng)作為ANN輸入層參數(shù)，將所探測(cè)的8種聚合物作為輸出層，經(jīng)過(guò)訓(xùn)練學(xué)習(xí)，可實(shí)現(xiàn)對(duì)聚丙烯、聚碳酸酯和聚氯乙烯的識(shí)別準(zhǔn)確率達(dá)100%，對(duì)聚四氟乙烯、聚酰胺66的識(shí)別準(zhǔn)確率為99%，對(duì)聚乙烯、聚甲基丙烯酸甲酯的識(shí)別準(zhǔn)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(guò)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(kù)中的參考物進(jìn)行比較，采用原始程序?qū)⑶€特征依次編碼為信號(hào)鏈，后進(jìn)行ANN網(wǎng)絡(luò)存儲(chǔ)、訓(xùn)練，再經(jīng)過(guò)未知聚合物的激活信號(hào)與數(shù)據(jù)庫(kù)中的總激活信號(hào)進(jìn)行比對(duì)，選取具有最大相似度的衍射特征曲線，最終確認(rèn)未知聚合物類型。此外，ANN方法還被用來(lái)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(dòng)了高分子材料在工程、醫(yī)藥等領(lǐng)域的廣泛應(yīng)用與實(shí)踐。

3 結(jié)語(yǔ)

(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(wèn)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(cè)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(duì)推動(dòng)高分子學(xué)科理論的發(fā)展與實(shí)踐的進(jìn)步具有重要意義。隨著計(jì)算機(jī)技術(shù)的不斷進(jìn)步和人們對(duì)ANN的不斷認(rèn)識(shí)，ANN正向模擬人類認(rèn)知的道路上前行，將在實(shí)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(gè)基礎(chǔ)階段，在拓展材料應(yīng)用品類和提高預(yù)測(cè)質(zhì)量方面仍需進(jìn)一步深入研究。同時(shí)，在研究過(guò)程中發(fā)現(xiàn)理論算法方面還不夠完善，在實(shí)際應(yīng)用中還存在一些問(wèn)題，如網(wǎng)絡(luò)隱節(jié)點(diǎn)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(guò)擬合等。

(3) ANN模型所能達(dá)到的精度還無(wú)法預(yù)知，給精確實(shí)現(xiàn)多維非線性映射帶來(lái)一定難度，亟待更多學(xué)者進(jìn)行更深入的研究。將ANN技術(shù)與傳統(tǒng)材料研究方法有機(jī)結(jié)合，相互驗(yàn)證，相互補(bǔ)充，從而探究材料制備過(guò)程中的機(jī)理及微觀本質(zhì)。近年來(lái)，遺傳算法、模糊系統(tǒng)、進(jìn)化機(jī)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。