吴德权等：三元乙丙橡胶老化与气候关联性及老化程度全国分布预测 ·1443· 结果表明，影响EPDM老化的气候因子主要是与 精度为0.05 光相关的年辐射总量、年日照时间和紫外辐射总量，其 表5模拟精度对预测的影响 次是湿度与温度，最后为降雨.目前EPDM老化机制 Table 5 Influence of simulation precision on the prediction 研究表明：光与热引发的光氧老化和热氧老化使分子 类别 设置精度 综合老化值 预测值相对误差/% 链产生自由基，是橡胶材料降解的主要原因：水一方面 实际值 一 3.4347 与光（热）氧老化反应耦合产生协同老化作用，或者冲 0.1 3.4039 0.8943 刷掉表面积累的灰尘和老化产物，以及干湿交替等促 0.05 3.3499 2.4667 进老化，另一方面也会因形成的水膜反射阳光，降低温 拟合值 0.01 3.1063 9.5606 度而减缓老化叨.因此这里选择年辐照总量、年均湿 0.001 3.6658 6.7283 度、年均温度和年降雨量作为关键气候因子较为合理 2.2.2综合老化值与气候因子关联模型研究 BP人工神经网络中网络层数也非常重要.本文 EPDM的老化是多种气候因子耦合作用的复杂过 设置3层、5层和8层网络，研究网络层数对拟合精度 程，BP人工神经网络能够建立环境与材料间复杂的非 与预测精度的影响.图6表明，随着网络层数量增加 线性映射关系.以辐照度、温度、湿度和降雨为输入变 拟合精度提高：而表6结果表明，3层与8层网络对尉 量，以EPDM综合老化值作为训练目标，通过MATLAB 犁地区的老化值预测精度较低，5层网络预测结果较 编程建立气候因子与EPDM综合老化值间的函数关 好.这是因为网络层数量太少，网络对样本计算能力 系.该模型以10个典型地区（北京、敦煌、广州、江津、 差，气候因子与老化数据间关联不够.网络层数过多， 拉萨、漠河、青岛、琼海、沈阳、尉犁和武汉)为训练样 增加训练时长，不易收敛，且容易出现过度吻合，降低 本，以尉犁地区验证模型的可靠性. 泛化能力图.因此，综合考虑选择构建5层隐含层BP BP人工神经网络重要参数设置如下：输入层激活 人工神经网络 函数选为tansig,该函数学习收敛速度快且达到目标误 4.0 差，仿真效果好，仿真结果比较稳定.选择输入层到隐 3.8 含层使用tansig函数，隐含层到输出层使用purelin线 3.6 性函数.训练函数选择为自适应强的traingdx函数. 3.4 初步选择网络层为5层，最大迭代次数为2000次. 32 在BP人工神经网络中，模拟精度的设定是非常 3.0 重要的参数.本文设置模拟精度分别为0.1、0.05、 。实际值 ★3层 0.01和0.001，研究不同模拟精度对样本数据的拟合 2.6 05层 能力以及预测能力的影响.从图5中可以看出，随着 号 8层 2.4 模拟精度的增加，已知样本的拟合度越来越高 2.20 4.0 3.8 地点 3.6 图6网络层数对拟合结果的影响 3.4 Fig.6 Influence of the numbers of network layers on the fitting re- 3.2 ★ sults 3.0 。实际值 表6网络层数对预测的影响 2.8 ★精度D.1 o精度0.05 Table 6 Influence of the numbers of network layers on the prediction 2.6 精度0.01 +精度0.001 类别 网络层数 综合老化值 预测值相对误差/% 2.4 实际值 一 3.4347 2.2 宋/ 2.6616 27.506 地点 拟合值 5 3.3499 2.466 图5模拟精度对拟合结果的影响 8 2.7638 19.530 Fig.5 Influence of simulation precision on the fitting results 以上分析表明，BP人工神经网络通过合理设置相 但是过高的模拟精度容易使计算陷入最小值，降 关参数，能较好处理我国典型地区气候因子与老化值 低泛化能力.如表5所示，过高的模拟精度并没有 间尚不明确的函数关系，将多种环境因素与材料性能 增加对新样本尉犁的预测精度.因此，综合考虑选择 联系在一起.通过构建气候因子与EPDM综合老化值吴德权等: 三元乙丙橡胶老化与气候关联性及老化程度全国分布预测 结果表明，影响 EPDM 老化的气候因子主要是与 光相关的年辐射总量、年日照时间和紫外辐射总量，其 次是湿度与温度，最后为降雨． 目前 EPDM 老化机制 研究表明: 光与热引发的光氧老化和热氧老化使分子 链产生自由基，是橡胶材料降解的主要原因; 水一方面 与光( 热) 氧老化反应耦合产生协同老化作用，或者冲 刷掉表面积累的灰尘和老化产物，以及干湿交替等促 进老化，另一方面也会因形成的水膜反射阳光，降低温 度而减缓老化［17］． 因此这里选择年辐照总量、年均湿 度、年均温度和年降雨量作为关键气候因子较为合理． 2. 2. 2 综合老化值与气候因子关联模型研究 EPDM 的老化是多种气候因子耦合作用的复杂过 程，BP 人工神经网络能够建立环境与材料间复杂的非 线性映射关系． 以辐照度、温度、湿度和降雨为输入变 量，以 EPDM 综合老化值作为训练目标，通过 MATLAB 编程建立气候因子与 EPDM 综合老化值间的函数关 系． 该模型以 10 个典型地区( 北京、敦煌、广州、江津、 拉萨、漠河、青岛、琼海、沈阳、尉犁和武汉) 为训练样 本，以尉犁地区验证模型的可靠性． BP 人工神经网络重要参数设置如下: 输入层激活 函数选为 tansig，该函数学习收敛速度快且达到目标误 差，仿真效果好，仿真结果比较稳定． 选择输入层到隐 含层使用 tansig 函数，隐含层到输出层使用 purelin 线 性函数． 训练函数选择为自适应强的 traingdx 函数． 初步选择网络层为 5 层，最大迭代次数为 2000 次． 在 BP 人工神经网络中，模拟精度的设定是非常 重要的 参 数． 本文设置模拟精度分别为 0. 1、0. 05、 0. 01 和 0. 001，研究不同模拟精度对样本数据的拟合 能力以及预测能力的影响． 从图 5 中可以看出，随着 模拟精度的增加，已知样本的拟合度越来越高． 图 5 模拟精度对拟合结果的影响 Fig． 5 Influence of simulation precision on the fitting results 但是过高的模拟精度容易使计算陷入最小值，降 低泛化能力［18］． 如表 5 所示，过高的模拟精度并没有 增加对新样本尉犁的预测精度． 因此，综合考虑选择 精度为 0. 05． 表 5 模拟精度对预测的影响 Table 5 Influence of simulation precision on the prediction 类别 设置精度 综合老化值 预测值相对误差/% 实际值 — 3. 4347 — 0. 1 3. 4039 0. 8943 拟合值 0. 05 3. 3499 2. 4667 0. 01 3. 1063 9. 5606 0. 001 3. 6658 6. 7283 BP 人工神经网络中网络层数也非常重要． 本文 设置 3 层、5 层和 8 层网络，研究网络层数对拟合精度 与预测精度的影响． 图 6 表明，随着网络层数量增加 拟合精度提高; 而表 6 结果表明，3 层与 8 层网络对尉 犁地区的老化值预测精度较低，5 层网络预测结果较 好． 这是因为网络层数量太少，网络对样本计算能力 差，气候因子与老化数据间关联不够． 网络层数过多， 增加训练时长，不易收敛，且容易出现过度吻合，降低 泛化能力［18］． 因此，综合考虑选择构建 5 层隐含层 BP 人工神经网络． 图 6 网络层数对拟合结果的影响 Fig． 6 Influence of the numbers of network layers on the fitting re￾sults 表 6 网络层数对预测的影响 Table 6 Influence of the numbers of network layers on the prediction 类别 网络层数 综合老化值 预测值相对误差/% 实际值 — 3. 4347 — 3 2. 6616 27. 506 拟合值 5 3. 3499 2. 466 8 2. 7638 19. 530 以上分析表明，BP 人工神经网络通过合理设置相 关参数，能较好处理我国典型地区气候因子与老化值 间尚不明确的函数关系，将多种环境因素与材料性能 联系在一起． 通过构建气候因子与 EPDM 综合老化值 · 3441 ·