基于BP神经网络的非织造材料基复合吸声体吸声系数预测

基于BP神经网络的非织造材料基复合吸声体吸声系数预测

王双闪1相增辉1兰桂柳1左洪运1左保齐2，3

(1. 江苏佰家丽新材料科技有限公司，苏州，215141；

2. 苏州大学现代丝绸国家工程实验室，苏州，215123；

3. 苏州大学纺织与服装工程学院，苏州，215021)

摘要：以涤纶针刺非织造材料和聚丙烯熔喷非织造材料为研究对象，通过实验获得其物理结构参数，并将复合前后非织造材料厚度、面密度、孔隙率和孔径作为BP神经网络的输入项，用于预测吸声体的平均吸声系数，同时通过调节输入神经元个数、传递函数和隐含层个数构建了最佳的BP神经网络预测模型。对非织造材料基复合吸声体的吸声性能进行预测，并与测试结果进行了对比。结果表明，运用BP神经网络可以建立较理想的适用于复合吸声体平均吸声系数预测的模型。

关键词：非织造材料，复合吸声体，Back Propagation 神经网络，吸声系数

中图分类号：TS176+.5文献标志码：A

收稿日期：2014-08-17

作者简介：王双闪,女，1988年生，助理工程师。主要从事非织造材料的声学性能研究。

噪声不仅对人们正常生活和工作造成极大干扰，影响人们交谈、思考，影响人的睡眠，使人产生烦躁、反应迟钝，工作效率降低，分散注意力，引起工作事故，更严重的情况是噪声可使人的听力和身心健康受到损害[1]。据世界卫生组织(WHO)的数据显示：2011年噪声性耳聋病例比2010年增加46.85%；2012年比2010年增加77.78%，比2011年增加21.06%[2]。

吸声材料的发展越来越引起人们的重视，同时吸声材料的应用领域也得到了很大的拓展。在交通运输和室内装修等领域对吸声材料提出了新的需求，所以人们用特定的加工工艺生产特定的非织造产品用作吸声材料来适应多变的市场需求很有必要。非织造材料内部有大量相互连通的孔洞，属于典型的多孔材料，特别是针刺非织造材料具有多孔性和通透性，非常适宜用作吸声材料。

当声波在材料内部传播时，各处的质点振动速度不同，存在速度差，使相邻质点间产生相互作用的黏滞力或摩擦力，阻碍质点运动，从而使部分声能转化为热能，就此达到减少噪声的目的。

为对针刺非织造材料基复合吸声体进行吸声性能预测，本文运用Back Propagation(BP)神经网络，通过各结构参数对材料吸声性能的影响来调整输入神经元个数，同时调整传递函数和隐含层个数，得到最优的BP神经网络吸声系数预测模型，并比较了预测结果与测试结果的差异。

通信作者：左保齐，E-mail: bqzuo@suda.edu.cn

1实验部分

1.1　材料

聚丙烯熔喷非织造材料(海南产)；

聚酰胺(PA)丝网状热熔胶(上海产)，面密度35 g/m2，熔点105～120℃；

涤纶针刺非织造材料(江苏佰家丽新材料科技有限公司提供)。

1.2　仪器

YG141N数字式型织物厚度仪(0.01～10 mm)，南通宏大公司；

CFP-1100-AEX毛细管流动空隙测量仪(0.09～500 μm)，美国施多威尔公司；

SW463阻抗管，北京声望声电技术有限公司；

日本日立S-4800扫描电镜，直尺，赛多利斯天平(0.000 1 g)。

1.3　复合材料的制备

本文以同一工艺生产的不同厚度的五种涤纶针刺非织造材料为基础，分别记为Z1～Z5，通过复合不同工艺生产的超细聚丙烯熔喷非织造材料得到不同的复合吸声体。其中，生产超细聚丙烯熔喷非织造材料的原料是在聚丙烯切片中加入了三种不同配方的母粒，分别记为R1～R3。使用每种母粒配方料生产的不同结构参数的超细聚丙烯熔喷非织造材料分别记为Rij。例如，R12表示使用第一种母粒配方生产的2号产品,R32表示使用第三种母粒配方生产的2号产品。

经过多次试验，确定复合材料的制备方法如下：

将材料剪成30 cm×50 cm大小，在不同材料之间夹入热熔纤网；将一块玻璃板放入热风干燥烘箱底部并开启烘箱，预设温度115 ℃；当烘箱内的温度达到预设温度时，平行放入准备好的材料，热熔纤网融化后将涤纶针刺非织造材料和聚丙烯熔喷非织造材料黏结在一起，2 min后将玻璃板和材料一同取出，自然降至常温，即可得到复合吸声体。

1.4　材料物理参数测试

1.4.1测试方法

1.4.1.1厚度

针刺非织造材料和熔喷非织造材料的厚度均采用YG 141N型织物厚度仪，依据国家标准GB/T 3820—1997《纺织品和纺织制品厚度的测定》进行测试。压脚面积2 000 mm2，加压200 cN。同种样品取三块试样，每块试样测试10次(正、反面各测试5次)，30次测试数据的平均值即为该样品的厚度数据。

1.4.1.2面密度

取样方法参见标准GB/T 13760—1992《土工布的取样和试样准备》，依据FZ/T 6003—1991《非织造布面密度测定》进行面密度测定。用圆形取样器进行切割取样，获得圆形试样。取样卷数由有关双方商定。除实验有关要求外，所选卷装织物应无破损、呈原封不动状。在切割取样过程中应注意在同一样品中截取，卷装的头两层不应取样；应尽量避免在有污渍、不规则块、折痕、孔洞或其他损伤的部分取样。在取样前，需先对材料进行24 h调湿，然后再进行取样和测试。

用赛多利斯天平称重，测得试样质量，计算每块试样的单位面积质量，即为材料的面密度。

1.4.1.3孔径

本实验采用CFP-1100-AEX毛细管流动空隙测量仪对材料的孔径进行测试。测试仪的工作原理是：将样品用润湿液浸润至饱和，再将样品放入测量仪内，通过计算机控制气流的大小，气体穿过样品，直到克服最大孔径对应的气压，此点即为泡点压力；此后，压力会继续以小的增量增加，直至排出的气体产生流动且流动液体被排空，干样品继续产生流速对压力的数据。据此即可计算得出干、湿态下样品的最大孔径、最小孔径以及平均孔径。

计算公式[3]如下：

(1)

式中：d——孔径(m)；

γ——液体表面张力(N/cm)；

θ——接触角(°)；

p——气压压力差(kPa)。

1.4.1.4孔隙率

非织造材料的孔隙率是指材料的孔隙体积与总体积的比值，通过计算求得。计算公式[3]如下：

(2)

式中：n——孔隙率(%)；

ρ——纤维密度(g/m3)；

m——材料面密度(g/m2)；

δ——材料厚度(m)。

非织造材料的孔隙率因所受压力的不同而不同。在不承压的情况下，孔隙率一般在90%以上，承压后孔隙率明显降低。本实验中材料的厚度、面密度都是在不承压的情况下测得的，因此所得的材料孔隙率也是不承压状态。

1.4.2测试结果

复合吸声体材料结构参数的测试结果见表1。

1.5　材料吸声系数测试

1.5.1测试方法

本实验运用驻波管法，采用SW463阻抗管对材料进行测试。设定温度为25 ℃，相对湿度为75%，在该条件下的大气压力为101 325.0 Pa，大气密度为1.2 kg/m3，声速346.116 m/s。依据ISO 10534-2:1998《声学 阻抗管中吸声系数和比阻抗率的测量 第2部分:传递函数法》进行测试，测量采用传递函数法。

表1　复合吸声体的结构参数

1.5.2测试结果

由于温度、湿度等环境条件对于纤维材料的声学性能可能造成一定的影响，因此所有实验均在恒温恒湿实验室进行。测试结果见表2。

2BP神经网络构建

BP神经网络模型的构建需要大量的数据，同时为了能构建最优的网络模型需要多次调整神经元的输入个数、隐含层神经元个数、激活函数等参数。本文共采用100组数据，其中前80组数据用于神经网络的构建，后20组数据用于神经网络的验证。

表2　复合吸声体的平均吸声系数

每层超细聚丙烯熔喷非织造材料和涤纶针刺非织造材料均有厚度、面密度、孔隙率和平均孔径4个参数，复合材料为三层结构，因此本文以12个结构参数指标作为网络输入。设置网络最大训练次数为100，训练要求精度为0.000 01，即均方误差小于0.000 01为网络收敛条件。本文按一定步长选取数值对神经网络进行训练与预测输出，复合吸声体所用BP神经网络隐含层神经元个数选择为4、14和24。由于输出层是一层，因此选择purelin函数作为输出层的激活函数[4]。

选用matlab4.8版本进行软件编程和数据模拟。先将超细聚丙烯熔喷非织造材料和涤纶针刺非织造材料的厚度、面密度、孔隙率、平均孔径和材料的吸声系数放置在EXCEL表中，并在matlbe软件中引用该表格数据，然后进行编程预测。通过改变引用数据可以对不同的实验结果进行预测和验证。程序中的Tamura hsv=shuangceng4(:,1:4)为引用数据， emotions=shuangceng4(:,5)为实验数据。只需要调整程序中的引用数据范围，即可对不同的实验数据进行模拟和预测。

具体的程序编程如下：

load shuangceng4

N=size(shuangceng4,1);

P=0.2;

Q=1-P;

[training_index,test_index] = crossvalind(‘Resubstitution’,N,[P,Q]);

[a,b]=find(training_index==0);

if N～=sum(training_index+test_index)

training_index(a(1))=1;

end

Tamura_hsv=shuangceng4(:,1:4);

emotions=shuangceng4(:,5);

features_training = Tamura_hsv(training_index,:);

features_test = Tamura_hsv(test_index,:);

targets_training_1 = emotions(training_index,1);

targets_test_1 = emotions(test_index,1);

[features_training_n,features_training_ps]=mapminmax(features_training’);

[targets_training_1_n,targets_training_1_ps]=mapminmax(targets_training_1’);

features_training=features_training_n;

targets_training_1=targets_training_1_n;

net=newff(features_training,targets_training_1,12,{‘tansig’,‘purelin’});%

net.trainparam.epochs=200;

net.trainparam.lr=0.1;

net.trainparam.goal=0.000001;

net=train(net,features_training,targets_training_1);

features_test_n = mapminmax(‘apply’,features_test’,features_training_ps);

an=sim(net,features_test_n);

targets_prediction_1=mapminmax(‘reverse’,an,targets_training_1_ps);

error=abs(targets_prediction_1-targets_test_1’);

error_mean=mean(error);

disp(error_mean)

figure(1)

plot(targets_prediction_1,‘:ko’)

hold on

plot(targets_test_1,‘-*’)

legend(‘预测值’,‘实测值’)

ylabel(‘平均吸声系数’)

xlabel(‘测试样本’)

figure(2)

plot(error,‘-*’)

ylabel(‘预测误差’)

xlabel(‘测试样本’)

3实验结果与分析

用训练好的BP神经网络预测复合吸声体平均吸声系数输出。通过比较测试结果与预测结果的关系，得出最佳的神经网络预测模型。图1为复合吸声体吸声系数的测试结果与预测结果的比较，图2为与图1对应的复合吸声的预测误差。该预测模型对应输入神经元个数是6，隐含层是13，激活函数是logsig。

图1　复合吸声体吸声系数的测试结果 与预测结果

图2　预测误差

从图1和图2可以看出，对于复合材料，当输入神经元个数为12，隐含层为4层，隐含层激活函数为logsig时，输出误差最小。可见隐含层适当，同时激活函数选择合适，则可以得出较为理想的BP神经网络预测模型。

4结论

(1)运用BP神经网络可以建立较理想的适用于复合吸声体平均吸声系数的预测模型。对于非织造材料基复合吸声体，当输入神经元个数为12，隐含层为4层，隐含层激活函数为logsig时的BP神经网络预测模型，其输出误差最小。

(2)对于复合吸声体的BP神经网络预测模型，并不是输入神经元个数越多，误差越小，而是输入信息必须对结果具有显著性的影响，且隐含层神经元个数也存在最优个数，隐含层激活函数对输出结果也有较大的影响。

参考文献

[1]陈剑雄,丰薇薇.噪声对职业机动车驾驶员血压的影响[J].职业与健康,2013,29(15):1881-1885.

[2]春泓.职业噪声危害,切莫“充耳不闻”[J].中国社会保障,2013(4):52-53.

[3]王双闪，刘建立，刘健，等.非织造材料基三明治结构吸声体吸声性能研究[J].上海纺织科技,2014,41(12):56-60.

[4]史峰,王小川,郁磊，等.MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社,2010:54-64.

欢迎订阅2015年度

《产业用纺织品》《国际纺织导报》

Acoustic absorption coefficient prediction of nonwovens

matrix composite based on BP neuron network

WangShuangshan1,XiangZenghui1,LanGuiliu1,ZuoHongyun1,ZuoBaoqi2,3

(1. Jiangsu Burgeree New Technology Materials Co,. Ltd.;

2. National Engineering Laboratory for Modern Silk, Soochow University;

3. College of Textile and Clothing Engineering, Soochow University)

Abstract:Polypropylene melt-blown nonwovens and polyester fiber needle-punched nonwovens as the research object, through experiments its physical structure parameters can be obtained. The thickness, density, pore size and porosity of composite nonwovens at composition before and after as the input of Back Propagation(BP)neural network were used to predict the average sound absorption coefficient of the nonwovens matrix composite absorber. In order to get the optimum network, the number of input neuron, transfer function and the number of hider layer were adjusted. The average sound absorption coefficient of the nonwovens matrix composite absorber was predicted by BP neural network, and was compared the predicting outcomes with test result. The result showed that with the optimum BP neural network can be set up ideal model for nonwovens matrix composite absorber.

Keywords:nonwovens, composite absorber, Back Propagation neural network, sound absorption coefficient