超臨界二氧化碳在聚合物中的溶解計算模型研究.pdf

1、超臨界二氧化碳(Supercritical Carbon Dioxide,ScCO2)在聚合物中的溶解性是重要的物理化學(xué)屬性之一,廣泛用作聚合物改性、合成、共混和新型材料制備等領(lǐng)域,主要有實驗和模型研究兩類。實驗研究耗時、費力、開銷大,同時也易受實驗條件等制約;傳統(tǒng)預(yù)測模型精度與適應(yīng)性不高,與實驗值偏差也較大。本文作者從粒子群算法(Particle Swarm Optimization,PSO)、聚類方法、人工神經(jīng)網(wǎng)絡(luò)(Artifici

2、al Neural Network, ANN)和吸附理論、擴散理論與翻埋理論出發(fā),深入研究ScCO2在聚合物中的溶解計算模型。研究主要成果如下:
　　(1)粒子群改進算法研究。
　　改進算法引入自適應(yīng)權(quán)值調(diào)整策略提高收斂速度和精度,通過混沌理論優(yōu)化學(xué)習(xí)因子避免早熟收斂,簡稱CSAPSO算法。實例表明,CSAPSO算法的收斂速度較快、精度較高、多樣性較好。
　　(2)基于CSAPSO算法的溶解預(yù)測模型研究。
　　將

3、CSAPSO算法與反向傳播人工神經(jīng)網(wǎng)絡(luò)(Back Propagation,BP ANN)結(jié)合提出溶解計算模型,稱CSAPSO-BP ANN模型。BP算法具有較強的局部搜索能力,但全局搜索能力相對薄弱,而CSAPSO算法正好與BP算法互補。模型采用CSAPSO算法對BPANN的連接權(quán)值進行優(yōu)化得到。實驗表明,模型在未訓(xùn)練的聚合物中溶解預(yù)測性能較好,具有較好的探索預(yù)測能力。
　　(3)基于聚類方法的溶解預(yù)測模型研究。
　　徑向基

4、函數(shù)人工神經(jīng)網(wǎng)絡(luò)(Radial Basis Function,RBF ANN)的連接權(quán)值和基函數(shù)中心、擴展常數(shù)分別通過CSAPSO算法和聚類方法優(yōu)化,得到3個統(tǒng)稱為CSAPSO-C RBF ANN的溶解計算模型。實驗表明,聚類方法對基函數(shù)中心和擴展常數(shù)的優(yōu)化效果明顯,模型在經(jīng)過訓(xùn)練的聚合物溶解預(yù)測中性能較優(yōu),具有較好的開發(fā)預(yù)測能力。
　　(4)基于擴散理論的溶解預(yù)測模型研究。
　　受溶解與擴散的本質(zhì)--質(zhì)量傳遞和 PSO思想

5、的啟發(fā),提出基于粒子擴散能和擴散概率的雙種群PSO改進算法,得到DCSAPSO-BP ANN溶解計算模型。實驗表明,無論是在經(jīng)過訓(xùn)練還是未經(jīng)過訓(xùn)練的聚合物溶解預(yù)測中,模型都表現(xiàn)優(yōu)越,穩(wěn)定性較好。
　　(5)基于吸附、擴散和翻埋的溶解理論計算模型研究。
　　將界面吸附、擴散與翻埋理論結(jié)合,通過翻埋溶解增長系數(shù)來衡量因翻埋而產(chǎn)生的溶解增量隨時間的變化關(guān)系,提出基于吸附-擴散和吸附-翻埋兩個過程的溶解理論計算模型。通過算例表明,模