基于神经网络的三层织物结构消防服装的热防护性能预测

陈晓渊 鄢友娟

1.武警总部直属保障大队采购服务站，北京 102613；2.武警研究院，北京 100071

具有阻燃防火效果的消防服装凭借其优良的阻燃特性和隔热特性，可对工作在危险热环境中的消防员、武警官兵等进行有效防护，避免他们遭受各种火灾和极端热环境的影响[1]。消防服装通常包含外层织物、防潮屏障层织物和绝热衬垫三层织物结构[2]。织物的热防护性能受这三层材料各项性能参数(如面密度、厚度、结构、水蒸气渗透性等)的影响。

已有许多研究人员通过实验室模拟热环境试验，研究了这种具有三层结构的热防护织物的性能。然而，通过热环境试验评价不同织物的特性不仅耗时长，而且成本高昂。此外，由于难以考量不同织物参数对热防护性能的影响，需建立一种新的系统来有效预测三层阻燃防火消防服装的热防护性能。人工神经网络(ANN)是一种可通过合理的网络结构配置拟合任意非线性函数，并根据给定输入参数预测输出值的有效途径[3]。目前，已有很多研究人员尝试采用ANN评价织物的各项参数对其热防护性能的影响。

ANN广泛用于纺织行业中纱线和织物的性能预测，纺织品缺陷检测、质量控制，以及性能识别与分类等领域[4-5]。由于应用过程中，很多与预测相关的问题和纺织过程是非线性的，因此ANN被认为是一种合适的预测方法。已有一些研究人员建立了ANN，用以预测纺织品热阻并探讨纺织品的热性能。但目前尚未有研究对消防服装的热防护性能进行预测探讨。本文建立了6种ANN，分别对构成消防服装的三层织物的对流换热和辐射传热特性进行预测，以预测三层织物结构消防服装的热防护性能。

1 材料与方法

1.1 织物试样与参数

分别选择2种外层织物、2种防潮屏障层织物和4种绝热衬垫，制作了不同织物组合的消防服装试样。其中，外层织物由Nomex、聚苯并咪唑(PBI)和Kevlar纤维制成；防潮屏障层织物由聚氨酯织物层积阻燃剂制成；绝热衬垫由含有聚氨酯层积阻燃剂的机织物制成，其表面缝合有具有阻燃功能的非织造布。选取织物的经纱线密度、纬纱线密度、经密、纬密、面密度、厚度及极限氧指数(LOI)等参数作为ANN的输入量。这些织物参数与织物的热变形性能有关。根据TS 250 EN 1049-2测试外层织物的经、纬密；根据TS 7128 EN ISO 5084测试织物的厚度；根据TS 251测试织物的面密度；根据ASTM D 2863获取外层织物的LOI，以及防潮屏障层织物的LOI和水蒸气阻力参数。

1.2 测试方法

由2种不同的外层织物、2种不同的防潮屏障层织物和4种不同的绝热衬垫，共制得16种三层织物试样(即消防服装试样)，测试这些三层织物试样的热防护性能。消防服装系统的热防护性能与通过织物层的辐射热传递特性有关。针对消防服装热防护性能的关键参数，本文分别测试织物试样的对流换热和辐射传热参数。

1.2.1 对流换热的测量

参照EN 367Protectiveclothing-Protectionagainstheatandflames-Testmethod:Determinationoftheheattrasmissiononexposuretoflame测试三层织物试样的对流换热性能。通过测量在80 kW/m2的对流热源覆盖下，试样温度分别达12 ℃和24 ℃所需的时间，确定织物的对流换热指数(H12和H24)。

1.2.2 辐射传热的测量

根据EN ISO 6942Protectiveclothing-Protectionagainstheatandfire-Methodoftest:Evaluationofmaterialsandmaterialassemblieswhenexposedtoasourceofradiantheat测试三层织物试样的辐射传热性能。将三层织物试样暴露在40 kW/m2的辐射热源中，记录试样温度分别达12 ℃和24 ℃所需的时间，确定织物的辐射换热指数(R12和R24)。

16种织物试样的规格参数及其对流换热指数和辐射传热指数测试结果如表1所示。

2 人工神经网络

多层感知神经网络(MLPNN)是一种重要的ANN，适用于不同学科领域的应用。MLPNN由输入层、一个或多个隐藏层及输出层组成。相邻层神经元之间的互连由权重提供，并且信息流由正向输入和输出。输入层没有计算单元，仅在隐藏层和输出层进行层神经元的计算。通过反向传播算法的加权调整，可获得从输入到输出的非线性映射[6]。反向传播算法的目的是减少原始训练输出与实际输出之间的误差。

试验将完整的数据集分为训练集、验证集和测试集3个部分，训练集用于训练神经网络以获得最小误差。本文采用MLPNN，所测量的织物参数一共有12项(表1)。由于经纱线密度和纬纱线密度值相等，因此只选取其中一项作为ANN的输入值。为寻求较好的网络性能，本文利用MATLAB软件构建了具有单个隐藏层的6种不同的MLPNN(网络1～网络6)，用以预测三层织物的对流换热和辐射传热参数。

表1 16种织物试样的规格参数及其对流换热指数和辐射传热指数

图1给出了所构建的网络的框图。

图1 网络框图

3 结果与讨论

本文对所构建的6种网络进行了不同数量的隐藏层及每个层中神经元的训练。采用Levenberg-Marquardt反传播算法对神经网络进行训练，该算法被认为是可提供优化权重和偏置值的快速算法。数据集被随机分为3个部分：70%用于训练、10%用于验证、剩余20%用于测试网络。为了获得相当的结果，所有净工程均接受了相同数据集的训练和测试。

仅一个输出项的网络1和网络2分别被训练用来预测EN 367标准的H12和H24，仅一个输出项的网络3和网络4被训练用来预测EN ISO 6942标准的R12和R24。网络5和网络6分别用以预测EN 367标准的H12和H24及EN ISO 6942标准的R12和R24各两个输出。图2和图3为分别采用网络1～网络4获得的EN 367和EN ISO 6942标准下输出值与期望值的对比。图4和图5为分别采用网络5和网络6获得的EN 367和EN ISO 6942标准下输出值与期望值的对比。由图4和图5可知，网络输出值(预测值)与期望值(测试值)之间存在很好的近似关系。

图2 EN 367标准下H12和H24输出值(网络1和网络2)与期望值的对比

图3 EN ISO 6942标准下R12和R24输出值(网络3和网络4)与期望值的对比

图4 EN 367标准下H12和H24输出值(网络5)与期望值的对比

图5 EN ISO 6942标准下R12和R24输出值(网络6)与期望值的对比

通过计算测试值与预测值间的平均绝对百分比误差(M)，对6种神经网络的预测性能进行比较。M的计算式如式(1)所示。其中，n为样本总数。

(1)

网络1～网络6的平均绝对百分比误差值及相关系数如表2所示。其中，网络5和网络6因有两个输出，其平均绝对百分比误差和相关系数值为基于两个输出计算结果的平均值。由表2可以看出，6种网络的平均绝对百分比误差值近似，在4.97%～6.89%范围内。然而，根据EN 367标准获得的数据进行训练的网络所得误差值比根据EN ISO 6942标准获得的数据训练的网络稍好。预测性能改进的可能原因是EN 367标准减少了输出数据项之间的相似性。网络5和网络6证实了有两个输出的网络具有更好的预测性能，尤其是网络5，在所有6种网络中表现最佳。期望值与预测值的相关系数可用来表征线性关系的强度和方向。网络1～网络4的相关系数接近，而网络5和网络6的相关系数更高，表明后两个网络输出的预测值在同一标准范围内的误差较小。

表2 6种网络的平均绝对百分比误差值及相关系数

4 结论

本文采用MATLAB软件构建了具有单个隐藏层的6种不同的多层感知神经网络，预测三层结构消防服装用织物的对流换热指数和辐射换热指数，以预测织物的热防护性能。其中，网络1～网络4由12个输入项组成，仅包含1个输出项，复合了对流换热和辐射换热的估测指标。网络5和网络6由12个输入项和2个输出项组成，分别用于计算对流换热和辐射换热指标，从而有效表征消防服的热防护性能。预测结果表明，所有6种人工神经网络的平均绝对百分比误差值均接近，且每种网络的预测值与试验值均具有很好的相关性；本文提出的多层感知神经网络可有效地预测织物的对流换热和辐射换热指数，且具有两个输出的神经网络(网络5和网络6)具有更好的预测性能，能够有效评估消防服装的热防护性能。