聚碳酸酯(PC)的恶化取决于各种环境因素。与此同时,相关的复杂性风化过程抑制使用寿命的预测基于环境因素。阐明了非线性PC风化和环境因素之间的相关性,自然风化打胜八点进行了测试实验台在中国。电脑的拉伸性能数据之间的关系和环境和污染物的数据分析了extra-trees Python和多层感知器网络中实现。结果表明,(1)电脑拉伸性能的退化主要是实验周期的影响(76.37%),而环境或污染物的影响因素对降解不明显(23.63%);(2)在训练集训练模型的分类精度为91%(91/100),和测试组为72.13% (44/61);最后,(3)从分类结果的误差分析推断聚碳酸酯在琼海和武汉的性能变化特点是最初的减少随后略有改善。最后,我们表明,该方法执行,特别是在地区的不完整的数据的情况下可用。
聚碳酸酯(PC)是一种广泛使用的工程塑料由于其优良的力学性能和较低的比重。然而,PC材料的恶化是不可避免的,很大程度上取决于环境因素在他们的应用程序中,如太阳辐射、温度、水接触,大气污染(
人工智能(AI)已经在最近几年发展迅速。因此,软件支持各种人工智能任务不断。然而,只有少数人使用这个软件最新的机器学习方法应用于研究材料风化作用机制。有限的信息关于新算法和缺乏所需的技能使用它们可能的原因之一。与额外的基本工具,然而,最先进的人工智能算法可以通过Python部署,这是一个高级语言适用于科学和工程应用。使用Python允许快速和灵活的人工智能应用程序的开发,可以进一步提高额外的扩展(
事实上,使用python或其他工具集成的机器学习方法科学应用已经引起了人们的注意。Ong et al。
风化作用机制的研究仍然是一个重要的和有价值的研究课题。许多研究者研究了风化作用机制通过各种实验室的方法,在宏观和微观两个层面(
在这项工作中,PC打胜自然风化试验是由八个暴露站在中国。后的抗拉强度和断裂伸长率因子分析风化PC,我们统计值的频率分布的环境因素在大规模数据分析过程来确定最具影响力的因素。因此,我们分离的最重要的因素extra-trees算法来减少不相关因素的干扰了。最后,多层感知器神经网络构造了基于特征之间的关系观察环境参数,拉伸性能变化参数,和服务寿命。我们引入了一个指导行动到模型研究风化作用机制。这个方法有两个主要优势:一方面,它最大化的信息从收集的数据中提取即使原始数据没有统一的规模和是不完整的。另一方面,应用方法可以识别宏观法律基于大规模数据分析。
PC原料(K1300,帝人有限)是购买的。标准的孪生拉伸试样(150毫米计长度,<我nl在e-formula>
根据ISO 877标准,曝光测试进行了八个自然暴露站在中国。车站被暴露于不同的气候类型。八站位于武汉(WH、亚热带潮湿的城市气候类型),拉萨(LS、暖温带高原农村气候类型),变苍白(WN、热带海洋气候类型),敦煌(DH、暖温带、干燥和炎热的沙漠气候类型)、沈阳(SY、暖温带、潮湿的城市气候类型),江津(JJ,亚热带,郊区酸雨气候类型)、广州(广州、亚热带潮湿的城市气候类型),和青岛(QD、温带海洋气候类型)(图
肩部标本用于拉伸测试根据ISO 527.2标准,使用万能材料机(6503年CMT, MTS系统公司),20毫米/分钟的拉伸率。
从网站所有环境因素数据收集
介绍了实验中使用的数据在不同的时间间隔记录:在2005年和2012年和2014年在青岛和变苍白,2006年至2014年在沈阳和武汉,2005年至2014年在广州,和2012年到2014年之间在敦煌,江津,拉萨。实验的主要部分依赖于数据收集和预处理,如图
减少后续数学模型的误差,有必要识别最重要的因素影响PC的户外风化过程。因此,我们进行属性选择的extra-trees算法集成<我t一个l我c> sklearn我t一个l我c>图书馆。
extra-trees算法是由随机决策树,这是一个经典的机器学习方法。传统的决策树将所有对象分成不同的分支根据他们的特征是否符合个人的过滤条件分支。传统的基本过程决策树算法所示
属性设置<我nl在e-formula>
01:生成的节点
02:
03:标志节点的叶子节点类;
04:
05:
06:标志节点的叶子节点最样本的类<我nl在e-formula>
07:
08年:选择最优属性;
09:
10:生成一个分支节点;
使<我nl在e-formula>
11:
12:签署分支节点的叶子节点最样本的类<我nl在e-formula>
13:
14:标志<我nl在e-formula>
15:
16:
吉尔茨et al。
- - - - - -
- - - - - -
画K分裂<我nl在e-formula>
- - - - - -
回归问题(
小<我nl在e-formula>
画一个随机切割点<我nl在e-formula>
- - - - - -
- - - - - -
- - - - - -
- - - - - -
- - - - - -
此外,皮埃尔·吉尔茨证明了extra-trees学习算法可以提供算法精度和良好的计算复杂度,特别是在分类问题。
选择最优的标准决定性的属性是成功的样本分类的关键。类似地,如果给定属性作为一个决定性的属性应用可以显著提高分类精度,该属性是描述样本的风化作用机制的重要。因此,多种方法可供选择的最优和决定性的属性。
吉尔茨et al。
我们使用这个方法来找到可以贡献的重要因素更重要的PC材料的风化过程比其他因素。
随着人工智能的发展近年来,人工神经网络对不同行业的数据处理也备受欢迎。有越来越多的方便的计算机软件包,便于使用,人工神经网络的实现和应用。例如,只有通过导入几个参数对应的模型可以在Python实现,这是在目前的工作中使用。
多层感知器网络的结构和基本原理的第一ANN模型已经被许多研究人员(
除了它的基本使用,<我t一个l我c>
sklearn我t一个l我c>图书馆提供了替代激活函数和求解算法(重量的动力学优化)在各种情况下工作。例如,“lbfgs”是一个家庭的优化拟牛顿方法;“sgd”是指随机梯度下降法;“亚当”是指提出的基于随机梯度优化器Kingma和英航
作为表
一些数据没有记录实验无法控制的原因造成的。因此,更准确的结论可以从一个完整的数据集。因此,一种方法是健壮的针对少量缺失值是必要的。
首先,频率分布图形构造(数字
基于频率分布图形,数据大部分因素都集中在一个特定的时间间隔,取决于该地区。温度和相对湿度出现相对噪声这两个定期随季节气候因素。然而,有一个明显的不同曲线之间的波动,表明这种噪声不会影响不同地区的环境之间的区别。因此,每一个因素被选的中间值来描述基于区域,如表所示
ExtraTreesClassifier包的<我t一个l我c>
sklearn我t一个l我c>图书馆的Python 3.6提供了一个方便的方法来确定每个因素的重要性,如表所示
表
基于现有的研究中,高温会影响聚合物材料的力学性能。因此,所有因素重要性参数超过每月最高温度为下一步选择。表
为训练数据集,来预测户外较小的PC材料,我们设置了实验时间作为输出(11和14个因素环境因素表
在机器学习模型过度拟合是一种常见的问题。因此,训练数据集上的精度达到不能参考标准模型的性能。图
神经网络与15和16两个隐藏层神经元,分别结合“relu”激活函数提供了最佳分类精度:72.13% 91%在训练集和测试集。
模型由100输入功能可以识别训练训练数据准确性为91%(91/100)和测试数据准确性为72.13% (44/61)。此外,额外的信息可以从具体的认识。表
分类精度实验地区的各数据聚积区。
广州 | 青岛 | 沈阳 | 变苍白 | 武汉 | 总 | |
---|---|---|---|---|---|---|
真正的 | 18/19 | 20/20 | 20/20 | 18/21 | 15/20 | 91/100 |
假 | 1/19 | 0/20 | 0/20 | 3/21 | 5/20 | 9/100 |
分类精度实验区域的各种不完整的数据区域。
敦煌 | 江津 | 拉萨 | 总 | |
---|---|---|---|---|
真正的 | 12/20 | 17/20 | 15/21 | 44/61 |
假 | 8/20 | 3/20 | 6/21 | 17/61 |
分类精度的实验周期数据聚积区。
×12 | ×24 | ×36 | |
---|---|---|---|
|
- - - - - - | 0 | 2 |
|
0 | - - - - - - | 0 |
|
6 | 1 | - - - - - - |
分类精度的各种实验时间不完整的数据区域。
×12 | ×24 | ×36 | |
---|---|---|---|
|
\ | 0 | 0 |
|
1 | \ | 3 |
|
5 | 8 | \ |
在训练数据的识别方面,观察在青岛,沈阳(40观测)都准确地分类,同时观察单个错误的识别(8/9)变苍白和武汉(表
推断出户外聚碳酸酯的力学性能退化。
之间存在机械性能的严重恶化的样品暴露在环境12个月和24个月。因此,没有观察到其中错误的识别。几乎所有的错误分类(25/26)提供相关样品。因此,可能样品暴露在36个月的力学性能介于样品暴露在12个月和24个月。因此,很难准确地分类样本暴露为36个月。样本的误分类暴露的频率为36个月样品暴露在12个月或样品暴露在24个月的力学性能取决于暴露了36个月接近样品的样品暴露在12个月或24个月样品暴露。在图所示的统计数据从每个样本
考虑到结果如图
断裂伸长率的暴露实验后样品。
表
中位数描述不执行因为较小的不完整的数据区域中可用的数据量。错误往往更明显和少量的数据
统计,数据不完整的数据区域范围的一些因素是远远超出的数据聚积区。因此,认识到测试数据的难度超出了能力模型的有限的训练数据训练
从根本上讲,不同的区域环境特征导致的财产退化本质区别之间的聚碳酸酯训练数据和测试数据领域领域
这是证明,通过使用Python的集成工具,可以方便地分析数据与先进的数学方法。重要的气候因素以及污染物的影响因素发现的断裂伸长extra-trees算法目前的高稳定性和可解释性。此外,重要参数引导更合理的后续过程中使用的数据和改进的多层感知器模型的性能。如果数量有限的数据是可用的,遍历所有可能的组合具有高计算性能是一个可靠的方法找到最优hyperparameters的机器学习模型。模型通过这个方法可以识别实验时间与相对较高的精度。这个研究提供了重要的参考价值的风化过程和适当的保护措施聚碳酸酯在大气环境中。
根据误差分析,从宏观的角度来看,聚碳酸酯的户外力学性能恶化,然后略有上升。这表明聚碳酸酯的户外风化过程是一个ductile-brittle-ductile过渡。
是可行的预测风化时间的样本与样本不完整的数据领域的数据区域,尽管与适度的错误。此外,更准确的预测某些样本的使用寿命获得的数据从数据聚积区。
原始数据复制这些结果所需的材料的力学性能也不能在这个时候作为数据共享一个正在进行的研究的一部分。中国的环境数据可以发现Geteway Corrosijon和保护(
作者宣称没有利益冲突有关的出版。
我们感谢中国国家自然科学基金会的资金支持(排名51133009)。我们还要感谢杨Mingshu团队的中国科学院化学研究所协助样品制备。
文件中的数据。xl年代x,the sheet name place-1 means the data of the meteorological factors of this place. The sheet name place-2 means the data of the pollutant factors of this place. In all sheets of the file, Guangzhou, Qingdao, Shenyang, and Wuhan are referred to as well data-accumulated areas. The remaining three areas will be referred to as incomplete-data areas (Dunhuang, Jiangjin, and Lhasa). The data used in the presented experiments were recorded during various intervals: between 2005 and 2012 and in 2014 in Qingdao; between 2006 and 2014 in Shenyang and Wuhan; between 2005 and 2014 in Guangzhou; and between 2012 and 2014 in Dunhuang, Jiangjin, and Lhasa. All tables in the file contained monthly data of environmental factors, including the temperature (monthly maximum, minimum, and mean), relative humidity (monthly maximum, minimum, and mean), atmospheric pressure (monthly maximum, minimum, and mean), infrared radiation, ultraviolet radiation, total solar radiation, sunshine duration, precipitation, rainfall duration; monthly data of the pollutant factors, such as the concentration of sulfur dioxide and hydrogen chloride determined using the instantaneous method; the concentration of nitrogen dioxide, hydrogen sulfide, ammonia, sea salts, and sulfation rate determined using the continuous method; the pH, concentration of sulfate ions, and chloride ions in the rain; and the water-soluble and non-water-soluble dust fall quantity in the year.