煤油%2fSpan80-Tween60%2f水%2f丙烯酰胺反相微乳液聚合111.聚合动力学BP人工神经网+络模型.pdfVIP

煤油／span80一Tween60／水／丙烯酰胺反相微乳液聚合 ||I．聚合动力学BP人工神经网络模型 李晓 刘戈，袁惠根 (福州大学化上系，福州350002)(浙江大学化工系，杭州310027) 摘 要 本文在煤油／span80-Tween60，水，丙烯酰胺反相微乳液体系聚合动力学研究的基础上， 采用BP人工神经网络成功地建立了微乳液聚合动力学数学模型。结果表明该模型具有相当 强的联想及预测能力，揭示了BP模型可以作为有效的手段应用于聚合反应建模。 关键词： 丙烯酰胺 微乳液聚合 神经网络 微乳液是热力学稳定体系，通过反相微乳液聚合可以制各超常稳定的超高分子量聚丙烯 酰胺反相微胶乳，但是由于反相微乳液聚合体系的复杂性，动力学研究结果存在相当大的分 歧…，妨碍了对聚合机理的深入认识，亦使聚合过程模型化工作举步维艰。人工神经网络是 由大量简单的神经元(节点，基本处理单元)构成的非线性大规模自适应动力系统，具有自主学 习过程和联想能力，适于处理复杂非线性问题，己在模式识别、过程控制及优化计算等方面 崭露头角【2】。下面尝试以反向传播(Back TWeen60，水，丙烯酰胺(AM)反相微乳液聚合实验数据进行模型化处理。 1．BP人工神经网络模型 BP神经网络模型是RumeIharl等f3l提出的一种非常成功的人工神经网络模型，由输入层、 隐含层、输出层组成，其基本结构如图1所示。输入层节点对应于样本参数，输出层节点对应 于目标函数，隐含层的层数和节点数均为可调参数。 f 神经元的作用模型通常采用Sigmoid函数： 、7 oj／八 frxl：———j——一 1+eXpf—x／e1 Oi疆》g惫≯司＼ 式中O为可调非线性参数，节点之间的连接强度则以 权重W“表示。 输入层(i)广产’≯宁≯#警h 输雯三三』2拣 BP模型算法由正向传播和反向传播两个过程组 成，通过对训练样本的自主学习，网络将输入输出 间的内部规律总结后以固定权重的形式隐含在网络 中，利用该组权重即可进行模型预测。 2．网络结构与参数设置 本文采用三层BP神经网络，输入层取4个节点，分别对应于单体浓度、引发剂浓度、乳 化剂浓度及反应时间：隐含层取5个节点，这足以表征体系的固有特征；输出层仅取一个节点， 即转化率；非线性参数e取3．0；动量项Ⅱ取0．5。 3．网络学习与模型预测 前报已对煤油，span80一T|ween60，水／AM反相微乳液聚合动力学作了详细讨论【4】，这里选 择其中56个离散样本构成训练集。BP网络通过对训】练集的自主学习，将获得的表征该体系AM 反相微乳液聚合内在规律的信息，以神经元之间连接权重的形式分布于网络中。学习结束后， 通过该BP模型即可对未知体系实施预测。图2是对训练集部分采样体系的检验与预测，图3 a．335 则是对未知体系的预测。总的结果应该是令人满意的，这说明BP模型的确掌握，煤油体系AM 反相微乳液聚合的规律，但是尚无法逻辑地表达出来。 Timemin 图2．模型预测引发剂浓度【I】对C％、l的 图3．模型对未知体系C％叫的预测 影响与实验值的比较 与实验值的比较 BP模型在煤油体系AM反相微乳液聚合中的成功运用，只是刚刚揭开神经网络在聚合反 应中应用的序幕。如果能准确完全地提供描述一个聚台过程的特征参数，少数实验即可总结 出错综