ANN在聚丙烯酸酯乳液性质预测中的应用

吉林大学学报(工学版)

ANN在聚丙烯酸酯乳液性质预测中的应用

程平，张海涛，高岩，李俊锋，王洪艳

吉林大学化学学院，长春 130012

收稿日期:2006-03-28 修回日期:2006-06-22 出版日期:2007-03-01 发布日期:2007-03-01
通讯作者: 王洪艳

Application of ANN in property prediction of polyacrylate emulsion

Cheng Ping，Zhang Hai-tao，Gao Yan，Li Jun-feng，Wang Hong-yan

College of Chemistry, Jilin University, Changchun 130012,China

Received:2006-03-28 Revised:2006-06-22 Online:2007-03-01 Published:2007-03-01
Contact: Wang Hong-yan

摘要/Abstract

摘要： 在MATLAB中的图形用户界面下，用人工神经网络（ANN）对聚丙烯酸酯乳液的硬度、附着力和耐冲击性3种性能进行了预测。选用三层的误差反向传递网络（BP网络），讨论了隐含层节点数，训练目标goal值和传递函数等相关参数对预测结果的影响。在隐含层节点数分别为19、16和20，传递函数为logsig函数和purelin函数，训练目标值goal为1.0×10-5的条件下，对17个样品进行了预测。结果表明：硬度预测值与实验值相对误差的绝对值的平均值为5.90%，附着力预测准确率为100%，耐冲击性预测准确率为100%。

关键词: 有机化学工程, MATLAB, 人工神经网络, 聚丙烯酸酯乳液, 硬度, 附着力, 耐冲击性

Abstract: Based on the graphical user interfaces in MATLAB, the artificial neural network was used to predict the hardness,adhesion and impact resistance of the polyacrylate emulsion. A back propagation network with three layers was selected to discuss the effects of the number of the hidden layer node, the value of the training goal and transfer functions on the prediction results. When the number of the hidden layer node was 19, 16 and 20, respectively, transfer functions were logsig function and purelin function, and the value of training goal was 1.0×10-5, 17 samples were predicted. The results show that the average absolute value of relative errors between predictive and measured values of hardness is 5.90%, the prediction accuracies of adhesion and impact resistance are 100%.

Key words: organic chemistry engineering, MATLAB, artificial neural network(ANN), polyacrylate emulsion, hardness, adhesion, impact resistance

中图分类号:

O6-39

程平，张海涛，高岩，李俊锋，王洪艳 . ANN在聚丙烯酸酯乳液性质预测中的应用
[J]. 吉林大学学报(工学版), 2007, 37(02): 362-0366.

Cheng Ping，Zhang Hai-tao，Gao Yan，Li Jun-feng，Wang Hong-yan . Application of ANN in property prediction of polyacrylate emulsion
[J]. 吉林大学学报(工学版), 2007, 37(02): 362-0366.

参考文献

相关文章 15

[1]	江涛,林学东,李德刚,杨淼,汤雪林. 基于人工神经网络的放热规律的量化预测[J]. 吉林大学学报(工学版), 2018, 48(6): 1747-1754.
[2]	关庆丰, 董书恒, 郑欢欢, 李晨, 张从林, 吕鹏. 强流脉冲电子束作用下45#钢表面Cr合金化[J]. 吉林大学学报(工学版), 2018, 48(4): 1161-1168.
[3]	关庆丰, 张远望, 孙潇, 张超仁, 吕鹏, 张从林. 强流脉冲电子束作用下铝钨合金的表面合金化[J]. 吉林大学学报(工学版), 2017, 47(4): 1171-1178.
[4]	胡平, 张金女, 申国哲, 林发财, 刘立忠. 应力状态对模具分区冷却热成形S-rail硬度分布的影响[J]. 吉林大学学报(工学版), 2016, 46(2): 500-504.
[5]	关庆丰, 李艳, 侯秀丽, 杨盛志, 王晓彤. 固溶态Mg-Gd-Y-Nd合金强流脉冲电子束表面改性[J]. 吉林大学学报(工学版), 2015, 45(4): 1200-1205.
[6]	盈亮, 戴明华, 胡平, 范正帅, 申国哲, 史栋勇. 高强度热成形钢板冷却速率-强度-硬度预测[J]. 吉林大学学报(工学版), 2014, 44(6): 1716-1722.
[7]	王秀刚, 刘玉梅, 苏建, 曹晓宁, 张益瑞. 转向架回转力矩测试及运动平台位姿解算[J]. 吉林大学学报(工学版), 2014, 44(01): 35-40.
[8]	谷诤巍, 于思彬, 韩立军, 孟佳, 沈永波, 徐虹. 激光焊接速度对超高强度钢焊缝微观组织和显微硬度的影响 [J]. , 2012, (03): 656-659.
[9]	缪宏, 左敦稳, 王珉, 张瑞宏, 汪洪峰. 工艺参数对Q460高强度钢冷挤压内螺纹质量的影响[J]. 吉林大学学报(工学版), 2012, 42(01): 68-73.
[10]	孔德军,周朝政,胡爱萍. 激光冲击处理对X70管线钢焊接接头力学性能的影响[J]. 吉林大学学报(工学版), 2011, 41(05): 1507-1512.
[11]	贾志新, 张宏斌, 郗安民. 利用神经网络扩充数控机床可靠性数据[J]. 吉林大学学报(工学版), 2011, 41(02): 403-0407.
[12]	徐国成, 徐德生, 赵熹华, 白大成, 陈建和. 弹簧钢电阻点焊接头组织与硬度数值预测[J]. 吉林大学学报(工学版), 2011, 41(02): 377-0381.
[13]	高印寒, 孙强, 丛玉良, 池俊成, 唐荣江. 基于神经网络的非稳态噪声品质的评价方法[J]. 吉林大学学报(工学版), 2010, 40(增刊): 110-0114.
[14]	殷涌光,丁筠. 基于计算机视觉的食品中大肠杆菌快速定量检测[J]. 吉林大学学报(工学版), 2009, 39(增刊2): 344-0348.
[15]	王庆年,于永涛,曾小华,于远彬. 基于CRUISE软件的混合动力汽车正向仿真平台的开发[J]. 吉林大学学报(工学版), 2009, 39(06): 1413-1419.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed