学位论文 > 优秀研究生学位论文题录展示

人工神经网络在高分子材料表面金属化工艺优化中的应用研究

作　者: 李俊
导　师: 孙益民
学　校: 安徽师范大学
专　业: 物理化学
关键词: 高分子表面金属化材料设计人工神经网络均匀设计法
分类号: TB302.4
类　型: 硕士论文
年　份: 2007年
下　载: 85次
引　用: 0次
阅　读: 论文下载

内容摘要

材料设计的定义为人们依据积累的经验、归纳的实验规律和总结的科学原理设计制备具有确定目标性能的材料。长期以来,材料研究采用的是依赖大量实验进行大面积筛选的方法来确定材料的化学组成和制备工艺,这样会消耗大量人力、物质资源和时间。将先进的计算机技术应用与现代材料设计,可以摆脱实验先行的研究方法,用较少的实验取得较为理想的材料,达到事半功倍的效果。高分子表面金属化就是材料设计的一种,本文研究了高分子表面金属化的一种新技术——化学还原方法。将ABS树脂在适量N,N-二甲基甲酰胺（DMF）溶液中预先浸泡24小时,加入一定量的Pb（Ac）₂和CuCl₂溶于ABS的DMF溶液中,于40℃恒温充分混合搅拌4h之后,得到稳定的金属盐与聚合物的共混物。最终所得溶液在玻璃模板上流延成薄膜,在室温下干燥至溶剂完全挥发掉。此时薄膜极易剥落,然后将薄膜裁成3cm×1cm的试样,在一定浓度NaBH₄水溶液中还原一段时间后,即制得表面金属化ABS导电薄膜。通过调整原材料的配比和控制还原过程中的具体工艺条件,使高分子表面金属层具有不同的导电性。为了系统研究,本文将人工神经网络（ANN）方法引入高分子材料表面金属化研究领域。ANN是复杂非线性科学的前沿,尤其适用于系统规律繁杂（高度非线性）、组分工艺变量多的问题。本文采用均匀设计法安排实验,以实验数据为变量空间,以误差反向传播（BP）算法为基础编写了“PSM-Pb-Cu-SR”数据处理软件。此软件可建立反映高分子表面金属化各影响因素与材料导电性能之间定量关系的ANN模型。模型计算表明,网络模型的预测值与实测值之间具有很高的相关性和精确性,并利用所得到的模型,分别将工艺中各个因素（ABS树脂质量,添加金属盐的质量,还原温度,还原剂浓度和还原时间）对材料导电性能的影响规律进行了分析和解释,最后在附录中给出了网络计算和预测的最佳工艺条件组合。实验和分析表明,人工神经网络技术在材料设计领域具有明显的优越性和广泛的应用前景。

全文目录

摘要  5-7
Abstract  7-14
第一章前言  14-30
  1.1 复合材料概述  14-16
    1.1.1 复合材料的发展概况及趋势  14-15
    1.1.2 复合材料的应用  15-16
    1.1.3 复合材料种类  16
  1.2 高分子表面金属化概述  16-19
    1.2.1 高分子表面金属化方法的改进  17
    1.2.2 高分子表面金属化的新方法——化学还原法  17-19
    1.2.3 前景展望  19
  1.3 人工神经网络概述  19-25
    1.3.1 人工神经网络用于数据处理的必然性  19-21
    1.3.2 人工神经网络的基本概念与特征  21-22
    1.3.3 人工神经网络国内外发展概况  22-24
    1.3.4 人工神经网络的应用  24-25
  1.4 本研究的意义、内容和创新之处  25-30
    1.4.1 研究的意义  25-26
    1.4.2 研究的内容  26
    1.4.3 本文的创新之处  26-30
      1.4.3.1 表面金属化研究与人工神经网络相结合  27-28
      1.4.3.2 均匀设计方法  28-30
第二章人工神经网络应用于材料设计  30-37
  2.1 生物神经元与材料设计中的变量  30-31
  2.2 权重与材料设计中各变量的关联  31-33
  2.3 神经元中的转换函数  33-35
  2.4 人工神经网络的分类  35-36
  2.5 人工神经网络中范例的分类  36-37
第三章误差反向传播算法  37-47
  3.1 误差反向传播算法  37-38
  3.2 误差反向传播法学习的数学描述  38-44
  3.3 多层反向神经网络结构  44-47
第四章表面金属化高分子材料的制备及其工艺研究  47-72
  4.1 实验部分  47-49
    4.1.1 主要试剂与仪器  47
    4.1.2 实验方法  47-48
    4.1.3 高分子材料表面金属化工艺的选择  48-49
  4.2 建立人工神经网络模型  49-53
    4.2.1 数据预处理方法的选择  49-50
    4.2.2 人工神经网络结构的选择  50-51
    4.2.3 人工神经网络参数的确定  51-52
    4.2.4 人工神经网络计算结果的准确性  52-53
  4.3 利用人工神经网络分析工艺中各因素的影响  53-72
    4.3.1 ABS树脂对电阻的影响  53-58
      4.3.1.1 其它因素为平均值时ABS树脂对电阻的影响  53-54
      4.3.1.2 不同金属盐水平下ABS树脂对电阻的影响  54-56
      4.3.1.3 还原条件不同时ABS树脂对电阻的影响  56-58
    4.3.2 金属盐对电阻的影响  58-63
      4.3.2.1 其它因素为平均值时金属盐对电阻的影响  58-60
      4.3.2.2 不同ABS树脂水平下金属盐对电阻的影响  60-62
      4.3.2.3 醋酸铅和氯化铜互相之间的影响  62
      4.3.2.4 还原条件不同时金属盐对电阻的影响  62-63
    4.3.3 还原剂NaBH_4溶液浓度对电阻的影响  63-64
      4.3.3.1 其它因素为平均值时还原剂浓度对电阻的影响  63-64
      4.3.3.2 不同还原温度时还原剂浓度对电阻的影响  64
    4.3.4 还原温度对电阻的影响  64-68
      4.3.4.1 其它因素为平均值时还原温度对电阻的影响  65-66
      4.3.4.2 不同金属盐水平下还原温度对电阻的影响  66-68
    4.3.5 还原时间对电阻的影响  68-71
      4.3.5.1 其它因素为平均值时还原时间对电阻的影响  68-69
      4.3.5.2 不同金属盐水平下还原时间对电阻的影响  69-71
    4.3.6 小结  71-72
第五章结论与展望  72-74
  5.1 结论  72
  5.2 展望  72-74
参考文献  74-78
致谢  78-79
硕士期间发表的文章及获奖情况  79-80
附录  80-84
研发软件使用报告  84

人工神经网络在高分子材料表面金属化工艺优化中的应用研究

内容摘要

全文目录

相似论文