论文部分内容阅读
木材导热规律是木材应用研究最为重要的理论基础之一。木材导热能力是衡量木质地采暖地板作为导热介质的关键指标,而热物性常数则是表征被测目标导热规律及其能力的主要参数。瞬态平面热源法是目前最为流行的获取目标物体热物性常数的研究方法,且由此原理研发出的热常数分析仪也已在相关实验中应用。但是,由于该类仪器所使用的算法较为复杂,尤其在获取精度较高结论时耗时较长且占用计算资源较大。针对此问题,本文围绕木材的热常数计算方法,建立基于神经网络的木材热物性常数回归预测模型。以该神经网络模型为基础对木材的热传递规律进行研究,能为此类仪器提供一种轻型的计算方案,为木质地采暖地板行业设定标准提供理论依据。因此,本文的工作主要围绕以下三个方面展开:首先,对数据回归建模进行基础性工作。研究瞬态平面法的计算机制,梳理各参数的函数关系,从而确定模型输入输出变量的种类和数量。基于实验团队的木材标本馆,选出其中130种常见商品用材的木材标本并根据尺寸需要制造实验样品。通过团队中的Hot Disk热常数分析仪对130种实验样本进行重复性实验,获取原始数据。同时,对采集的数据进行筛选、滤波等处理,为建模提供数据基础。其次,根据实验采集的数据和分析得到的所需参数基于自适应神经模糊推理系统(ANFIS)和BP神经网络(BP-NN)建立两种木材热常数计算回归模型。而建立木材导热规律回归模型需要完成两个方面的工作:一个是建立木材实验样品的体积比热计算模型,另一个则是建立木材实验样品的导热系数计算模型。本文在第一个方面的拟合工作是采用自适应神经模糊推理系统(ANFIS)进行建模,而第二个方面的拟合工作则是采用BP神经网络进行建模。采用两种不同的神经网络进行建模是考虑到两种数据模型的数据量和数据结构,充分发挥ANFIS在小样本回归上的优势以及BP神经网络在处理多输入和较大数据量方面的特长。结果表明,选用这两种神经网络算法能够在计算精度和计算资源消耗之间达到一个较好的均衡。同时,引入遗传算法作为对BP神经网络的参数优化算法,提高了木材热物性参数模型的预测精度和收敛速度。最后,将粒子群算法作为优化算法,基于概率神经网络对实验木材样本所属的“科”进行分类。由于前面两组实验的木材样品涉及各“科”所包含的木材种类相差较大,本文挑选出其中包含木材种类最多的四个“科”的热物性数据作为数据集。根据前两个实验所得出的热物性结论,训练得到分类模型,并对其进行测试检验。结果表明,使用粒子群算法优化后的概率神经网络能够对实验木材样品所属“科”的种类进行很好的区分。说明了使用热物性参数建立的模型处理木材分类问题具有一定的可行性。本文围绕神经网络的回归和分类两个方面展开。通过在木材导热规律这一领域进行建模实验,说明了神经网络在各领域应用的广泛性。同时,所涉及的方法和得出的结论为木质地采暖地板导热规律研究、地板选材和相关设备开发提供了理论基础和数据支撑。