论文部分内容阅读
在我国环境污染问题日益严峻的情况下,纺织品染整行业作为典型的高能耗、高污染、高排放行业,其发展将必须顺应节能减排、低碳环保的时代潮流。超临界二氧化碳（SC-CO2）染色技术由于无污染、零排放等诸多优点受到广泛的关注。近年来,广大专家和学者对超临界流体染色技术进行的大量实验研究为超临界染色技术的工业化提供了基础,但作为实现超临界染色工业设计及生产基础的超临界染色动力学模型尚未见报道。本文基于数据驱动的思想,在分析超临界二氧化碳染色中影响织物K/S值和染料上染量的主要因素的基础上,对12组公开发表的超临界二氧化碳染色数据进行归纳与处理后,开展了超临界二氧化碳染色动力学模型研究。以MATLAB软件为平台,建立基于广义回归神经网络（GRNN）的超临界CO2染色动力学模型。通过7折交叉验证法寻求最佳spread值后,模型的最大相对误差在2.55%11.67%,除一组数据的最大相对误差为11.67%外其它均小于10%。以上验证结果表明:该建模方法切实可行,GRNN模型能较为准确的反映超临界染色过程中织物K/S值和染料上染量的变化规律,可正确预测织物K/S值和染料上染量。以MATLAB软件为平台,建立基于BP神经网络的超临界CO2染色动力学模型,在通过合理选取网络参数和训练后,确定了n-7-1的网络结构。在训练过程中,BP模型对各组数据的拟合度较高,平均回归系数为0.99932。由验证结果可知,BP模型的最大相对误差在1.44%8.94%,最大相对误差均小于10%。这说明BP模型可较好的反映超临界染色过程中织物K/S值和染料上染量的变化规律,且具有良好的预测能力。本文分别建立基于GRNN的超临界CO2染色动力学模型和基于BP神经网络的超临界CO2染色动力学模型。两种模型均可对不同条件下的K/S值和染料上染量进行良好预测。BP模型预测精度更高,但GRNN模型预测结果可靠度更高。两种模型为超临界染色工业设计及生产提供了理论基础,对推进超临界染色技术的工业化进程具有重要意义。