（机械电子工程专业论文）基于人工神经网络粒子群算法pdphsm基纳米复合薄膜的性能预测与工艺优化.pdf

基于人工神经网络粒子群算法p d p h s m 基纳米复合薄膜的性能预测与工艺优化摘要本文通过大量的试验，对激光烧蚀制备新型有机硅聚合物聚二苯基硅亚甲基硅烷( p d p h s m ) 基纳米复合薄膜工艺中的影响因素进行了研究，初步掌握了该工艺的一般规律。在分析实验数据的基础上确定了实验样本集，分别采用b p 神经网络和r b f 神经网络对p d p h s m基纳米复合薄膜的制备工艺与聚合效率之间的关系进行建模，并预测其聚合效率。结果表明，两个模型都可以正确地反映制备工艺和聚合效率之间的内在规律，期望值和网络预测值之间相对误差都在4 以内，但r b f 神经网络较b p 神经网络能够更精确，更可靠地逼近它们之间的非线性关系。本文根据激光烧蚀制备p d p h s m 基纳米复合薄膜工艺的特点，利用建立好的径向基函数( r b f ) 人工神经网络模型，应用粒子群算法对其工艺进行优化，获得了比遗传算法更为满意的结果。粒子群算法与神经网络模型相结合的提出，无疑为解决多维非线性系统及模型未知系统的优化问题提供了一个崭新而有效的途径。这一新技术可望在材料工艺优化研究中的进一步推广及其在材料计算机辅助设计方面获得更为广泛的应用。关键词：p d p h s m 基纳米复合薄膜，激光烧蚀，人工神经网络，聚合效率，粒子群算法，工艺优化o np r e d i c t i o na n do p t i m i z a t l 0 no fl a s e ra b l a t i o nt e c h n o l o g yf o rp d p h s mm a t r i xn a n o c o m p o s i t et h i nf i l mb a s e du p o na r t i f i c i a ln e u r a ln e t w o r k s p a i u i c l es w a r ma l g o r i t h ma b s t r a c ts o m ek e yf a c t o r si nt h ep r o c e s so fp o l y d i p h e n y s i l y l e n e m e t h y l e n e ( p d p h s m )m a t r i xn a n o c o m p o s i t et h i nf i l mh a v eb e e ns t u d i e db yal a r g ea m o u n to fe x p e r i m e n t si n t h i sp a p e r ，a n dt h ec o m m o nr u l e so fp u l s e dl a s e ra b l a t i o nt e c h n o l o g yh a sb e e no b t a i n e d t h es a m p l ed a t aw a sb u i l tb ya n a l y z i n gt h ee x p e r i m e n t a ld a t ac o l l e c t e dd u r i n gt h ee x p e r i m e n t s ab pn e u r a ln e t w o r ka n dar b fn e u r a ln e t w o r km o d e l sa r ed e v e l o p e dt op r e d i c tt h ep o l y m e r i z a t i o ne f f i c i e n c yf o rp d p h s mm a t r i xn a n o c o m p o s i t et h i nf i l mr e s p e c t i v e l y t h er e s u l t ss h o w e dt h a tt h er e l a t i v ee r r o rb e t w e e nt h ee x p e c t e dv a l u ea n dp r e d i c t e do u t p u to ft h en e t w o r ki sl e s st h a n4 w h i c hi n d i c a t e st h a tb o t hb pa n di 也fm o d e l sc o u l db eu s e dt or e v e a lt h ei n h e r e n td i s c i p l i n a r i a nb e t w e e nt h ep a r a m e t e r so fs y n t h e s i st e c h n o l o g ya n dp o l y m e r i z a t i o ne f f i c i e n c y h o w e v e r , t h en o n l i n e a rr e l a t i o n s h i ph a sb e e na p p r o a c h e dm o r ea c c u r a t e l y ，e f f e c t i v e l ya n df e a s i b l yb yu s i n go fr b fn e u r a ln e t w o r kt h a nb pn e u r a ln e t w o r ka na r t i f i c i a ln e u r a ln e t w o r k s p a r t i c l es w a r ma l g o r i t h mw a sf i r s t l yi n t r o d u c e dt oo p t i m i z et h em a t e r i a l st e c h n o l o g yb yu s i n gt h ec o n s t r u c t e dr b fn e u r a ln e t w o r ko nt h ep r o p e r t i e so fp u l s e dl a s e ra b l a t i o nt e c h n o l o g y , a n das a t i s f y i n gr e s u l th a sb e e no b t a i n e d ，h e n c ep r o v i d i n gab r a n d n e ww a yf o rm a t e r i a l st e c h n o l o g yo p t i m i z a t i o ni n v e s t i g a t i o n i ti sh o p e f u lt ob ea p p l i e di nt h em a t e r i a lt e c h n o l o g yo p t i m i z a t i o na n dm a t e r i a lc o m p u t e ra i d e dd e s i g nf i e l d vk e yw o r d s ：p d p h s mm a t r i xn a n o c o m p o s i t et h i nf i l m ，l a s e ra b l a t i o n ，a r t i f i c i a ln e u r a ln e t w o r k s ，p o l y m e r i z a t i o ne f f i c i e n c y , p a r t i c l es w a r ma l g o r i t h m ，t e c h n o l o g yo p t i m i z a t i o nv i符号说明p ：材料的性能c ：材料的组分丁：材料的工艺五：激光能量密度而：环境压强恐：沉积时间：靶与衬底之间的距离7 7 ：学习率口：动量因子七：聚合效率与进化代数曲线的切线等x i学位论文原创性声明本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进行研究工作所取得的研究成果。除文中已经加以标注引用的内容外，本论文不包含其他个人或集体已经发表或撰写过的研究成果，也不含为获得浙江工业大学或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式标明。本人承担本声明的法律责任。醐：、茹号汐，) 一匆卜作者签名：声彬学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权浙江工业大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1 、保密口，在年解密后适用本授权书。2 、不保密瓯( 请在以上相应方框内打“”)作者签名：导师签名：日期：舻卢月卸e t日期：年月日1 1 纳米材料及其特性第一章绪论1 9 9 0 年在美国巴尔的摩召开了第一届纳米科学技术m s t ) 学术讨论会，标志着“纳米”开始成为科学的一个里程碑。此后，人类对于这种介于原子、分子和宏观物质中间的纳米的研究便成为国际科学界的一大研究热点，而对纳米材料的研究则是其中的重点。纳米材料通常指其内部结构中至少有一相的一维尺寸达到纳米( 1 0 9 m ) 级的材料【。它是由8 0 年代中期才发展起来的一种新型材料，纳米材料内部的超微颗粒既可以是晶态，也可以是非晶态，由于微粒尺寸属纳米量级，因而其界面原子所占比例极大( 约占5 0 ) 这部分界面原子的结构既不同于长程有序的晶体，也不同于长程无序的非晶体。正是纳米材料的这种特殊结构使材料自身具有界面效应、小尺寸效应和量子尺寸效应【2 j 。1 1 1 纳米材料的界面效应纳米材料的表面效应是指由于纳米粒子的表面原子数与总原子数之比随粒径的变小而急剧增大后所引起的性质上的变化。粒径在1 0 n m 以下时，表面原子的比例将迅速增加，当粒径降到l n m 时，表面原子数比例达到约9 0 以上，原子几乎全部集中到纳米粒子的表面。由于纳米粒子表面原子数增多，表面原子配位数不足，表面能升高，使这些原子易与其它原子相结合而稳定下来，故具有很高的化学活性。1 1 2 纳米材料的小尺寸效应由于纳米粒子体积极小，所包含的原子数很少，相应的质量极小。因此，许多现象就不能用通常有无限个原子的块状物质的性质加以说明，这种特殊的现象通常称之为体积效应。纳米材料的这种效应会使其产生有别于普通材料的力学、光学、磁学和化学等方面的特殊性质。其主要表现在：纳米材料光吸收显著增加，并产生吸收峰的等离子共振频移：磁有序态向磁无序态、超导相向正常相的转变；声子谱发生改变。1 1 3 纳米材料的量子尺寸效应当粒子的尺寸下降到某一值时，费米能级附近的电子能级由准连续能级变为分离能级的现象和纳米半导体微粒存在不连续的最高被占据分子轨道和最低未被占据的分子轨道能级、能隙变宽现象均称为量子尺寸效应3 1 。由于纳米粒子有很高的活性，导致其易团聚，成分活性损失很大，不利于其物理化学性能的发挥。为克服以上缺点，势必要把它制备成多维结构，如：一维线，二维膜，三维体的结构。其中纳米粒子存在于高聚物中时，与聚合物分子链段的尺寸处于同一数量级，两者之间不但能达到分子水平的混合，而且易发生物理化学作用，致使聚合物材料具有特殊的性能，并且改进或提高聚合物材料的性能。1 2 聚合物基纳米复合材料的发展与现状1 2 1 制备方法聚合物基纳米复合材料的制备方法多种多样，目前可大致分为四类；纳米粒子与聚合物直接共混；聚合物基体中原位生成纳米单元；在纳米单元中存在单体原位引发聚合；纳米单元和高聚物同时生成1 4 j 。各种制备方法的核心思想都是要对符合体系中纳米单元的自身几何参数，空间分布参数和体积份数进行有效控制。尤其是要通过对制备条件( 空间限制条件，反应动力学因素，热力学因素) 的控制，来保证体系的某一组成相至少一维尺寸在纳米尺度范围内。其中典型的制备方法有以下几种：溶液共混和熔融共混法；胶体法：插层原位聚合法：沉积法。鉴于本文需要，现对沉积法加以说明。沉积法是指将金属快速散射于预定的表面上，而聚合物可以直接加热蒸积到衬底上。也可以使一般单体或聚合物材料经高温热解产生出可聚合性单体散射与衬底聚合而得。目前沉积方法，主要有蒸发沉积、溅射沉积、激光沉积等。8 0年代主要采用的是前两种方法，它们都需要较高的真空条件( 1 1 0 。6 丁甚至更高) 。在反应室充入单体进行射频激励放电或低温下紫外光辐射，使之在衬底上生成含变。113 纳米材料的量子尺寸效应当粒子的尺寸下降到某一值时，费米能级附近的电子能级由准连续能级变为分离能级的现象和纳米半导体微粒存在不连续的虽高被占据分子轨道和最低未被占据的分子轨道能级、能隙变宽现象均称为量子尺寸效应”。由于纳米粒予有很高的活性，导致其易团聚，成分活性损失很大，不利于其物理化学性能的发挥。为克服咀上缺点，势必要把它制备成多维结构，如：一维线，二维膜，三维体的结构。其中纳米粒子存在于高聚物中时，与聚合物分子链段的尺寸处于同一数量级，两者之间不但能达到分子水平的混合，而且易发生物理化学作用，致使聚合物材料具有特殊的性能，并且改进或提高聚合物材料的性能。1 2 聚合物基纳米复合材料的发展与现状1 2 1 制备方法聚合物基纳米复合材料的制各方法多种多样，目前可大致分为四类；纳米粒子与聚合物直接共混；聚合物基体中原位生成纳米单j ：在纳米单元中存在单体原位引发蒙合；纳米单元和高聚物同时生成1 4 j 。各种制各方法的核心思想都是要对符合体系中纳米单元的自身几何参数，空间分布参数和体积份数进行有效控制。尤其是要通过对制各条件( 空问限制条件反应动力学因素，热力学因素) 的控制，来保证体系的某一组成相至少一维尺寸在纳米尺度范围内。其中典型的制备方法有以下几种：溶液共混和熔融共混 去；胶体法；插层原位聚合法；沉积法。鉴于本文需要，现对沉积法加以说明。沉积法是指将金属快速散射于预定的表面上而聚台物可以直接加热蒸积到衬底上。也可以使一般单体或聚合物材料经高温热解产生出可聚合性单体散射与衬底聚合而得。目前沉积方法，主要有蒸发沉积、溅射沉积、激光沉积等。8 0年代主要采用的是前两种方法它们都需要较高的真空条件( 1 1 0 。6 r 甚至更高) 。在反应章充入单体进行射频激励放电或低温下紫外光辐射，使之在衬底上生成禽在反应室充入单体进行射频激励放电或低温下紫外光辐射，使之在衬底上生成含变。1 1 3 纳米材料的量子尺寸效应当粒子的尺寸下降到某一值时，费米能级附近的电子能级由准连续能级变为分离能级的现象和纳米半导体微粒存在不连续的最高被占据分子轨道和最低未被占据的分子轨道能级、能隙变宽现象均称为量子尺寸效应3 1 。由于纳米粒子有很高的活性，导致其易团聚，成分活性损失很大，不利于其物理化学性能的发挥。为克服以上缺点，势必要把它制备成多维结构，如：一维线，二维膜，三维体的结构。其中纳米粒子存在于高聚物中时，与聚合物分子链段的尺寸处于同一数量级，两者之间不但能达到分子水平的混合，而且易发生物理化学作用，致使聚合物材料具有特殊的性能，并且改进或提高聚合物材料的性能。1 2 聚合物基纳米复合材料的发展与现状1 2 1 制备方法聚合物基纳米复合材料的制备方法多种多样，目前可大致分为四类；纳米粒子与聚合物直接共混；聚合物基体中原位生成纳米单元；在纳米单元中存在单体原位引发聚合；纳米单元和高聚物同时生成1 4 j 。各种制备方法的核心思想都是要对符合体系中纳米单元的自身几何参数，空间分布参数和体积份数进行有效控制。尤其是要通过对制备条件( 空间限制条件，反应动力学因素，热力学因素) 的控制，来保证体系的某一组成相至少一维尺寸在纳米尺度范围内。其中典型的制备方法有以下几种：溶液共混和熔融共混法；胶体法：插层原位聚合法：沉积法。鉴于本文需要，现对沉积法加以说明。沉积法是指将金属快速散射于预定的表面上，而聚合物可以直接加热蒸积到衬底上。也可以使一般单体或聚合物材料经高温热解产生出可聚合性单体散射与衬底聚合而得。目前沉积方法，主要有蒸发沉积、溅射沉积、激光沉积等。8 0年代主要采用的是前两种方法，它们都需要较高的真空条件( 1 1 0 。6 丁甚至更高) 。在反应室充入单体进行射频激励放电或低温下紫外光辐射，使之在衬底上生成含有超细金属粒子的复合薄膜。而微粒的含量，粒径大小及分布由溅射和蒸发的速率控制【5 1 。激光烧蚀沉积法( l a d ) 出现的稍微晚了一些，该方法是通过激光辐射基材靶使表面气化产生等离子体有机单体，同时气化金属，在衬底上形成超细金属粒子复合物。它具有沉积速度高，污染小，工艺简便易行，金属浓度易控制等优点。因而，引起了各界越来越多的关注。激光沉积法( l a d ) 制备薄膜的纳米颗粒大小可通过实验参数( 环境气氛的种类、压强和靶衬间距以及脉冲激光功率等) 进行调节，因而控制相对方便。实验室中技术相对成熟，但如何得到晶粒尺寸一致、密度分布均匀的高质量薄膜，并使之实用化是当前面临困难的关键。这与l a d动力学过程的理解和认识有很大关系。其动力学过程相当复杂，必须从实验和理论两方面入手加以研究【6 1 。1 2 2 优点1 2 2 1 聚合物基纳米复合材料优点与常规的聚合物无机填料相比，聚合物基纳米复合材料具有许多优点。由于纳米粒子与聚合物之间的界面面积非常大，且由于纳米粒子表面未配对的原子多，有可能存在有机聚合物与无机纳米粒子的化学结合，因此具有理想的粘结性能。这样可以消除纳米粒子与聚合物基体的热膨胀系数不匹配问题，由此可充分发挥复合材料优异的力学性能及耐热性能。同时纳米级别的无机粒子填充聚合物体系中，纳米粒子填充量比较低，因而通常的加工方法都适用于该体系【7 1 。1 2 2 2 激光烧蚀沉积法( l a d ) 优点它的主要特点在于：非平衡态激光烧蚀产生的高密度羽状等离子体可将靶材料组份无失真地传送至沉积薄膜的衬底( 尤其对多元化合物难熔材料) ；由于激光烧蚀在瞬间完成，避免了高温熔化过程，有利于消除杂质玷污；激光烧蚀产生的等离子体具备一定动能，可以使薄膜在较高的气压和较低的衬底温度下进行生长，有利于提高氮的掺杂效率；由于可以方便地控制激光脉冲能量和频率，因而使用多靶转换在一个系统即可实现原位多层异质结构和金属电极的生长，大大简化了实验装置和操作过程；对真空度要求较低，可大大减少设备的费用【8 】o1 2 3 聚合物基纳米复合材料的应用领域由于聚合物基纳米复合材料不仅具有聚合物材料易加工，耐腐蚀等优越性能，而且能够抑制纳米单元氧化团聚，使具有较高的长期稳定性，从而充分发挥纳米单元的特异性能。因此，在很多领域都有广泛的应用。在高效催化剂方面：利用纳米粒子的催化特性，并用高聚合物为载体，既能发挥纳米粒子的高催化性和选择催化性，又能通过聚合物的稳定性作用使之具有长效稳定性。在光功能材料方面：由于纳米粒子的粒径尺度与紫外光的波长范围相当，选用恰当粒径的纳米粒子就能只吸收紫外光不吸收可见光。另外，一些纳米粒子具有很强的吸收中红外频段的特性。利用纳米粒子的特殊光学性质制成的光学材料在许多领域中都有广泛的应用，如光传输，光存储等。还有，聚合物基纳米复合材料在导电、吸波、磁性等领域都有广泛的应用前景【9 j 。1 3 研究课题的提出聚合物基纳米复合薄膜是无机纳米粒子( 金属，半导体) 以纳米级尺寸( 一般为1 - 2 0 n m ) 弥散分布在聚合物母体中的复合材料。由于复合材料中的纳米粒子尺寸小和彼此间的距离非常接近，且具有独特的量子尺寸效应、表面效应、界面效应、宏观效应等，从而使聚合物基纳米复合材料具有很多奇异的物理学性能 1 0 - 1 2 】。如非线性光学性能、量子效应。因此在非线性光学器件、量子器件、信息存储与处理领域有着重要的价值，有着很好的应用前景。近几年来这方面的研究受到了广泛的关注。美国，日本、欧盟等主要的发达国家竞相投入了大量的人力和财力，对纳米粒子制备工艺结构特征都作了大量的工作。而我国在这一领域起步较晚，仅有几家单位开展了一些工作，与国际水平尚有一定的差距。因此在我国开展这一领域的研究工作有很大的紧迫性，以便缩小和发达国家间的差距【1 3 - 1 4 】o制备纳米粒子又很多物理和化学方法，但都因为产率低，而限制了其发展空间。其中激光烧蚀目前被认为是制备纳米粒子的强有力的技术。激光烧蚀跻身于其它化学物理技术结合起来合成具有奇异性能的新型材料激起了材料研究者的兴趣。在此基础上，铃木正昭博士首次提出了采用脉冲激光烧蚀在真空蒸镀的t p d c 单体膜上沉积各种纳米粒子( c u ，a g ，a u ，p t ，n i ，a 1 ，w ，z n )并用加热聚合方法成功的合成了各种纳米粒子弥散聚合物p d p h s m 基复合薄膜。在制备的过程中，涉及到很多工艺参数，如何调整和优化工艺参数以获得晶粒尺寸和密度分布均匀的薄膜是聚合物p d p h s m 基纳米复合材料能否实用化的关键。有鉴于此，本文将在优化制备工艺方面应用实验数据结合人工神经网络一粒子群算法方面，做一些有意义的定量的探讨，在提高技术的实用性方面，开展进一步的研究。人工神经网络技术是近些年发展起来的一门交叉学科，以其独特的结构和处理信息的方法，在许多实际应用领域中能够解决一些传统计算机极难求解甚至无法求解的问题。根据采用的训练算法不同，典型的神经网络可分为b p 网络和r b f 网络等等。根据神经网络的特点和以往的应用实例，可以看出人工神经网络对那些缺乏精确的计算公式但却有着丰富求解问题经验和数据的领域特别适用，而对需要精确数学计算、表达计算过程或无法获得样本数据的任务不适合用神经网络解决。适合用神经网络解决的问题具有如下特点：有大量的实例或能产生适合的实例；这种任务涉及某一集合内目标到另一集合内目标间的映射；该问题的算法和规律不确定或难于表达：关于该问题的数据量和数据种类很多。在聚合物p d p h s m 基纳米复合薄膜的制备过程中，由于工艺参数与性能之间关系的复杂性，利用传统的实验方法，开发新工艺的周期长、成本高，而人工神经网络技术的出现恰恰给解决以上的问题提供了一个有效的解决方案【l 引。聚合物p d p h s m 基纳米复合薄膜的制备工艺决定了其在空间上的材料分布是梯度变化的，利用线性回归等方法对聚合物p d p h s m 基纳米复合薄膜的制备工艺建立数学模型有很大的局限性，一是模型过于理想化，二是求解模型的数值计算方法有时也得不到可行的结果。所以，直接寻找p d p h s m 聚合物基纳米复合薄膜的制备工艺空间的最优分布十分困难。传统的优化方法是产生一个确定的试验解序列，当满足一定条件时这个确定序列收敛于局部最优解，但欲寻求全局最优解或指标函数中存在随机摄动时传统方法就无能为力了，有学者将遗传算法引入材料工艺优化中来，取得了不错的效果6 1 。但是遗传算法要通过：交叉( c r o s s o v e r ) 、变异( m u t a t i o n ) 、选择( s e l e c t i o n ) 等算子操作，因此收敛速度较慢，优化效率不高1 7 】。而粒子优化群算法( p s o ) 作为一种新型的智能算法是根据自己的速度来决定搜索，将其用于优化领域，能够克服传统优化方法的不足，对多参数、多目标问题也有其独到的优点，因此能圆满地解决上述问题【1 8 】。因此，本研究拟用人工神经网络粒子优化群算法技术，以聚合物p d p h s m基纳米复合薄膜为研究对象，研究制备工艺参数与聚合效率之间的关系，及其工艺优化方案，这对于实际的应用来说更有意义。1 4 人工神经网络遗传算法在材料研究中的应用1 4 1 人工神经网络简介人工神经网络是指由大量与自然神经系统的神经细胞( 如图1 ) 类似的人工神经元互连而成的网络。神经网络的结构与特性由神经元的特性和它们之间的连接方式决定。神经元是神经网络中的基本处理单元，是生物神经元的近似模拟，具有生物神经细胞的最基本特性：兴奋和抑制两种状态，学习、遗忘和饱和效应。神经元输出信号的强度大小反映了该神经元对相邻神经元影响的强弱。神经元之间通过互连形成网络，其互相连接的方式为连接模式。神经元之间的连接强度为突触权或连接权。当网络的连接权矩阵确定后，网络的连接模式就确定了。生物神经元组成：细胞体树突轴突图1 1 ：生物神经元结构示意图细胞体在神经网络中信息处理的过程或存储知识的改变是通过修改神经元间的连接模式完成的，修改过程称神经网络的学习或训练。神经网络的学习过程就是不断修高权矩阵的过程，不同的权矩阵调整方式，代表了不同的学习方式。1 4 2 人工神经网络在材料研究中的应用在材料研制中，特别是当材料的组分和性能之间无明确的规律时，人工神经网络以其强大的自适应和自学习能力为材料设计提供了一种适用的科学的方法。它不需要预先知道输入和输出之间存在的某种内在的必然联系，便可以进行训练学习，并达到预测的目的【l 引。这是其他材料设计方法难以比拟的，目前在材料设计方面的应用已取得了很大的进展。在性能预测方面，m l l y k o s k i 等人使用r w 工厂的数据采集系统对薄钢带的力学性能进行了预测。输入变量为1 4 种合金元素的含量，输出变量为抗拉强度、屈服强度、延伸率。网络有一个隐含层，隐含层的神经元数目为4 0 个，训练5 0 0 0次，网络误差在5 之内。预测模型的精度较高，可以不同方式加以使用【2 们。c a l c a t e r r a 等人采用人工神经网络方法预测球墨铸铁的力学性能，预测精度较高。网络的输入变量包括铁液的化学成分，变质处理温度，浇注前停留时间和铸坯直径。设计了几种不同的b p 网络结构，预测结果表明单隐含层，学习速率为o 0 7的网络预测精度最高，单层网络和多隐含层网络预测精度低【2 。k i m c ，p a r kh b等人在c f 8 m 铸造不锈钢各种时效条件实验数据基础上，建立起了材料性能与化学组分( c h e m i c a lc o m p o s i t i o n ) ，铁素体含量( f e r r i t ec o n t e n t ) ，时效时间( a g i n gt i m e ) 之间的关系。结果表明人工神经网络的预测结果优于其他方法的预测结果【2 2 1 。h o s s e i n is m k ，z a r e i h a n z a k ia 等人用人工神经网络建立了s i m nt r i p 钢的组分、亚晶界热处理参数和抗拉强度、延展率之间的网络模型，并用训练好的网络模型来逼近低碳、低硅钢的热处理条件，预测结果得到了实验的验证【2 3 1 。a 1 a s s a f ，k a d i 等人，运用人工神经网络来预测u d 玻璃纤维的疲劳寿命。输入分别是r 值俾v a l u e ) ，最大应力( m a x i m u ms t r e s s ) 矛l 纤维定位角度( f i b e ro r i e n t a t i o na n g l e ) ，输出为失效时的循环次数。样本集有9 2 个训练样本，r m s e 误差小于2 0 ，结果表明网络结构良好。为了提高精度，作者又用了其他的神经网络：如自组织( s e l f - o r g a n i z i n g ) 神经网络，径向基函数( r a d i a lb a s i s ) 神经网络进行建模。使精度得到了进一步的提高。但是作者没有给出玻璃纤维疲劳失效的进一步的预测结果【2 引。v e l t e ne ta 1 使用人工神经网络，通过输入机械性能和实验条件如抗拉强度，环境温度等来逼近磨损容量。7 2 组训练样本过贝叶斯( b a y e s i a n ) 归整之后，通过m a t l a b 的n e u r a ln e t w o r kt o o l b o x 工具箱建立网络，选择b p 算法训练网络，尽管预测结果还需要改进，但在性能分析的初步尝试中已经取得了初步的成果【25 | 。在国内很多学者也做了大量的工作。沙全友等人在实验的基础上以泡沫金属的四个基本参数：孔隙率、孔径、比表积、密度为输入，用6 目、1 2 目、2 8 目数据作为训练样，4 5 目数据作为检验样本，同时以铸4 5 目阻尼性能和抗拉强度作为输出，来建立反映实验数据内在规律的数学模型，并且能够通过测试这四个参数，预测z a 2 7 泡沫金属基高阻尼复合材料阻尼性能和力学性能，取得了良好的效果【2 酬。陈强、李贺军等人通过将人工神经网络引入炭炭复合材料的基体改性研究，借助l e v e n b e r gm a r q u a r d t 算法对不同添加剂组成改性试样所具有的氧化烧蚀率学习，建立了炭炭复合材料改性添加剂组成一氧化烧蚀率的b p 网络模型。研究结果表明所建模型可以较好地反映添加剂含量与试样氧化烧蚀率间的内在规律，网络模型的输出值和实验验证值间的误差小于o 5 ，将模型筛选出的最优配方用于基体改性，试样的氧化烧蚀率下降了4 9 5 ，说明将人工神经网络用于炭炭复合材料基体改性是可行和有效的【27 1 。何林、黄传真等人研究3 组分( s i c + b 4 c ) i a l ：d 3 复合陶瓷的组分设计，建立以s i c 和玩c 的体积分数为输入，硬度或强度为输出，有6 个隐含层神经元的3 层b p 神经网络。利用训练好的强度网络和硬度网络模型，应用优化工具箱进行无约束单目标优化和有约束单目标优化，将优化结果反归一化【2 8 1 。曾梅光等人在实验数据的基础上，利用人工神经网络建立高c o n i 二次硬化钢的力学性能与合金成分及热处理温度对应关系的模型。他们提出将五个材料力学性能指标及部分合金成分作为网络的输入，其它合金成分和热处理温度作为网络的输出，根据要求的力学性能设计材料的合金成分含量及热处理条件，获得了满意的结果，为高性能材料设计提供了一定的理论辅助手段【2 9 】。黎绍发等人根据实验室研制的z n o 压敏陶瓷样品的实验数据，经过变量筛选，取材料配方中添加剂b f q 、勋，a 、b a o 、m n o 、c 0 0 3和a 的含量作为b p 网络的输入，压敏陶瓷的常规电性能参数压敏电压值v m m ，非线性系数和漏电流作为网络的输出。选取2 0 个式样作为训练样本，拟合误差定为o 0 0 1 。动态调节隐层节点数目、学习率和动量因子以克服振荡过大和局部过小。经过多次迭代，网络的误差e 收敛于给定的拟合误差0 0 0 1 时，网络训练完毕。1 4 3 遗传算法简介遗传算法是j h o l l a n d 受生物进化论的启发提出来的，它是一种具有自组织、自适应、自学习能力的解决大规模复杂问题的优化算法。该算法是自然遗传学和计算机科学结合的产物，它根据适者生存优胜劣汰的自然法则，一代一代地优选适应性函数的参数，重组后构成新的组合。在遗传算法中，染色体对应当时的数据或数组，通常由一维地二进制字符串结构数据来表现。执行遗传算法时，包含两个必需的数据转换操作，一个是表现型到基因型的转换，另一个是基因型到表现型的转换。前者是把搜索空间中的参数或解码转换成遗传空间的染色体或单体，称为编码操作过程。后者是前者一个相反对操作叫做解码操作。与许多传统的搜索算法不同的是遗传算法对目标函数限制很少，不要求连续，可微及显式表达等条件。研究者可以自由地在算法中融入自己的思想和要求【3 1 l 。1 4 4 遗传算法在优化人工神经网络当中的应用用遗传算法优化人工神经网络主要包括三个方面：联接权值进化；网络结构进化；学习规则进化。在选用遗传算法优化神经网络时，首先需要确定需要优化的结构参数。如：网络层数，传递函数，隐含层节点数等。然后这些参数用串编码随机生成胛个体，利用神经网络的输出构筑适应性函数，用适应性函数为判据选择初试串码并使其随机匹配。最后通过交叉和变异产生后代。如此反复，直到生成最优的人工神经网络。在材料设计中，当优化区域界定后，需要选择最佳的工艺条件或配方来控制生产时，可用人工神经网络总结的数学模型，并将训练好的人工神经网络当作适应性函数，用遗传算法寻找多维空间的最优点，供实验使用 3 2 - 3 3 l 。1 4 5 遗传算法在材料设计优化中的应用张晓丹、王三强等人基于计算数学理论与热弹性原理，针对环状截面梯度功能材料( f g m ) 提出了热应力分布公式。以沿坐标轴的最大应力达到最小为目标，建立t ( f g m ) 多目标优化模型。应用遗传算法，随机产生初始群体，经过遗传算子( 选择，交配和变异) 的反复作用，( 其中一些重要的参数如下：初始群体规模p o p s i z e = 1 0 ，交配率p c = o 2 5 ，变异率p m = o 0 1 ) 计算结果显示梯度层数、体积因子、梯度层厚度对f g m 的热应力均有一定影响。最终得到了热应力缓和型轴对称f g m 内部材料的最佳组成分布【3 4 】。晏飞，戴德海等人基于遗传算法，提出了一种带刚度要求的纤维增强复合材料层合板设计方法。以复合板的各层铺设角和厚度为设计变量、刚度为设计目标、制造工艺性为设计约束，将纤维增强复合材料层合板的刚度设计问题处理成一种离散的叠层顺序优化问题，采用遗传算法求出满足给定刚度要求的层合板设计。最后，通过算例验证了设计方法的有效性p5 1 。1 4 6 遗传算法在材料工艺优化中的应用宋仁国、董敏等人研究了材料为4 3m m 厚的7 1 7 5 铝合金锻件，通过热( 4 6 5 。c ) 、冷轧制，采用空气炉在4 8 0 保温1 0 分钟，7 0 分钟和1 3 0 分钟进行固溶处理。在日本岛津a g l 0 t a 型万能材料试验机上进行拉伸试验，用所得的数据训练网络。学习率取为7 7 = o 1 ，动量项系数取为口= 0 3 。经过7 0 0 0 次训练后，建立了满意的7 1 7 5 铝合金性能预测的人工神经网络模型。在此基础上，取3 维空间上的2 7 个样本点，构成遗传算法的种群。抗拉强度( q ) 与屈服强度( 仃：) 之和c ( c = q + o - ，) 作为优化函数，繁殖1 0 0 0 代。获得了满意的结果。从而为遗传算法在材料工艺优化中的研究探索了一条崭新的途径【36 | 。潘清跃，宋仁国等人采用激光表面熔凝对1 c r l 8 n i 9 t i 奥氏体不锈钢经过1 1 0 0保温，3 0 m i n 水淬，再经6 5 0 敏化的表面耐蚀性能处理，研究了工艺参数与腐蚀性能之间的实验关系。在此基础上，以激光功率，扫描速率，保护气体和气体压力为输入，再活化率和临界点蚀电位为输出。学习率r = 0 1 ，动量系数口= 0 2 建立人工神经网络。应用人工神经网络一遗传算法优化激光表面处理工艺，结果表明人工神经网络遗传算法是材料激光加工工艺优化的一种有效而简单的手段 3 7 - 3 8 。1 5 人工神经网络粒子群算法的意义1 0利用人工神经网络预测材料性能方面虽然取得了一定的成果，但也有问题存在，如需要大量实验数据。而实际在新材料开发和研制中数据的取得往往都是困难的，如果单纯的追求实验次数，不顾实验的周期，来建立稳定的神经网络模型，则会导致研发成本的急剧上升和研制速度的下降f 3 9 】。在材料的研制过程中，我们总希望通过控制一定的工艺参数来得到我们所期望的性能，或从原料配方和工艺条件来预测其材料性能；在工业生产过程中我们总是期望通过控制原料配方和生产工艺来得到能耗低，原材料消耗少，产率高，废品少，质量好，成本低的产品。因此在材料生产和制备过程中，选择适当的方法来确定材料最优值附近范围的大小，对于选取恰当的工艺方法和配比、确定材料生产制备时应严格控制的影响因素以及选取较低生产制备成本的配比和工艺都具有非常重要的意义。1 5 1 传统回归方法的不足在传统方法中，要么是通过实测数据经过统计处理，借助理论分析进行外推由外推的优化结果进行实验，再将数据处理成数学模型；要么是根据经验或理论分析，按照试验设计( 正交设计、回归正交试验、旋转设计等) 把试验结果处理成数学模型由此寻找最优范围4 0 1 。这样，传统的回归方法就必然存在以下局限性：使用不同的回归方法获得的不同经验公式不一致；当自变量及性能指标较多时，采用回归公式无法合理再现实验数据：1 5 2 遗传算法的不足遗传算法虽然是人们新近提出的解决复杂非线性优化问题的先进方法，可以解决以上的问题，却有其不足之处。遗传算法的最大特点是它能保证种群不断进化，使所求的解不断变优，但它往往缺乏产生最优个体的强大能力，导致搜索在接近全局最优解时速度变慢，甚至陷入局部最优解。遗传算法的其它不足，如收敛速度慢、过早收敛也与上述缺陷直接相关4 h 2 1 。粒子群算法( p s 0 ) 和遗传算法( g a ) 有很多共同之处。两者都随机的初始化种群，而且都使用适应值来评价系统，而且都根据适应值日来进行随机搜索。两个系统都不是一定找到最优解。但是粒子群算法( p s o ) 没有遗传操作如交叉( c r o s s o v e r ) 矛u 变异( m u t a t i o n ) ，而是根据自己的速度来决定搜索。粒子还有一个重要的特点，就是记忆功能。与遗传算法( g a ) l 1 5 较，粒子群算法( p s o ) 的信息共享机制是迥然不同的。在遗传算法中，染色体( c h r o m o s h o m e s ) - h - _ 卡h 共享信息，所以整个种群的移动是比较均匀的向最优区域移动。在粒子群算法( p s o ) 中，只有g b e s t 给出信息给其它粒子，这是单向的信息流动。整个搜索更新过程是跟随当前最优解的过程。实验发现，粒子群算法( p s o ) 基本不受问题峰数增加的影响，受问题维数的影响也很小。与遗传算法比较，在大多数情况下，所有的粒子可能更快的收敛于最优解4 3 1 。1 5 3 人工神经网络粒子群算法本文首次将人工神经网络粒子群算法( a n n p s o ) 0 l 进到微观材料设计中去。它无需人们预先给定公式的形式，而是以实验数据为基础，经过有限次迭代计算而获得的一个反映实验数据内在规律的数学模型。在此模型的基础上通过粒子群算法操作可以实现优化作用，恰巧解决了传统方法和遗传算法的不足。与传统的回归方法相比，神经网络粒子群算法具有以下优越性：避免数据的分析和建模工作，神经网络经过学习能够在网络内部“建立”样本隐含的复杂结构。自适应数据处理方式，通过训练神经网络的内部状态将收敛到某种与输入激励模式相适应的稳定状态。对目标函数限制很少，不要求连续，可微及显式表达等条件。研究者可以自由地在算法中融入自己的思想和要求。所以说，在传统方法无法给出满意解时，人工神经网络粒子群算法将是一种新的选择。1 6本论文采用的研究思路由于聚合物基纳米复合薄膜的制备工艺中各个因素间的交互作用甚多，对于这样受多个因素影响，并伴随大量随机误差的多元系统，采用多元回归分析方法是不完善的。因为回归分析是以线性回归为基础的，而聚合效率和生产的工艺参数与成品最终光学、传感、催化，及电磁性能之间的关系是非常复杂的，即应变量与自变量之间并非线性关系，因此各参数对性能的影响很难用准确的数学表达式表示出来。因此材料学领域一直在积极地探索一种精确、高效建模和工艺优化方法。1 6 1 本论文拟采用b p 和r b f 两种算法建模人工神经网络理论是新近发展起来地交叉学科，采用物理器件或计算机软硬件模拟生物体中神经细胞的某些结构与功能，进而将其应用于工程领域，尤其适合高度复杂的非线性系统建模【4 钔。人工神经网络在工程领域正逐渐受到广泛重视，在材料设计与性能预测建模领域也引起了极大关注。本课题分别采用b p 神经网络和r b f 神经网络对新型有机硅聚合物聚二苯基硅亚甲基硅烷( p d p h s m ) 基纳米复合薄膜的制备工艺与聚合效率之间的关系进行建模，并预测其聚合效率。主要用到神经网络的非线性映射能力，b p 神经网络和r b f 神经网络的基本算法。b p 神经网络的优点是这种网络理论上比较成熟，权的学习解析式十分明确，应用也最广，算法简单、结构明了。缺点是不能保证得到全局最优解且收敛速度慢。r b f 神经网络的优点是可以避免局部极小和训练速度较快，缺点是隐节点的中心难求m 。1 6 2 本论文拟采用粒子群算法进行工艺优化优化的基本方法是建立一个指标函数，通过在可行解集中迭代来改进指标函数值。传统的优化方法是产生一个确定的试验解序列，当满足一定条件时这个确定序列收敛于局部最优解，但欲寻求全局最优解或指标函数中存在随机摄动时传统方法就无能为力了，遗传算法虽然取得了不错的效果4 6 1 。但是遗传算法要通过：交叉( c r o s s o v e r ) 、变异( m u t a t i o n ) 、选择( s e l e c t i o n ) 等算子操作，因此收敛速度较慢，优化效率不耐4 7 1 。而粒子优化群算法( p s o ) 是根据自己的速度来决定搜索，通过各个粒子向最好粒子的跟踪，这样很快达到总体的最优，因此能迅速地解决上述问题。1 6 3 本论文拟采用的软件人工神经网络是一个高度非线性系统，其中计算十分复杂，需要有强大的操作平台作为开发工具。前人采用f o r t r a n 或是c + + 语言编程，但应指出的是f o r t r a n语言的计算能力虽然很强，但是克移植性较差；c + + 的可移植性较强，计算功能也较好，但是编程复杂，容易出错。现阶段，对于人工神经网络建模可以应用的软件有：m a t h e m a t i c s t u t t g a r tn e u r a ln e t w o r ks i m u l a t o r ( s n n s ) 、m a t l a b 、以及s a s 等，其中m a t l a b 功能最为强大，运用最为简便。因此，本论文采用的仿真软件为m a t l a b 。1 6 4 技术路线图1 2 ：技术路线图1 41 7 本章小结本章首先介绍了纳米材料聚合物基纳米复合材料激光烧蚀沉积法( l a d ) 发展历程、应用状况和发展前景。接下来对人工神经网络遗传算法在材料研究中的应用进行了综述，并分析了其中的不足。本论文首次提出了人工神经网络粒子群算法，用以解决了聚合物p d p h s m 基纳米复合薄膜的制备过程中的工艺建模与优化问题。最后本文选择了m a t l a b 软件作为编程实现的工具。第二章聚合物p d p h s m 基纳米复合薄膜的制备2 1引言有机硅聚合物材料具有良好的热学、机械和光电性能，且无毒无味、形态多样，近3 0 年来国内外材料科学工作者对其进行了广泛的研究，在声、光、电、磁等功能材料方面取得了很多可喜的成果【39 | 。由于聚二苯基硅亚甲基硅烷( p o l y d i p h e n y s i l y l e n e m