基于人工神经网络(ANN)与自适应神经模糊推理系统(ANFIS)的斜纹棉织物导热系数预测模型研究

本文推荐：研究采用人工神经网络(ANN)和自适应神经模糊推理系统(ANFIS)模型，基于经密(EPI)、纬密(PPI)和织物厚度预测100%棉斜纹织物的导热系数(Wm-1K-1)。ANN模型(3-10-1结构)采用tansig/purelin激活函数和Levenberg-Marquardt算法，以R2=0.9809、MAPE=1.1296%的优异表现超越ANFIS模型，为纺织品热性能优化提供精准预测工具。

　　

Highlight

本研究通过对比人工神经网络(ANN)与自适应神经模糊推理系统(ANFIS)的预测性能，为斜纹棉织物的热工性能优化提供了创新解决方案。

Fabric

实验采用2/1斜纹组织的纯棉织物，经纱和纬纱均为40英支，经密(EPI)范围90-133，纬密(PPI)范围70-100，样品来自孟加拉国Shantex服装公司。

Measurement of fabric thickness

使用AMES厚度仪（图2）按标准方法测量织物厚度，确保数据准确性。

Development and prediction of ANN model

基于MATLAB构建的3-10-1拓扑结构ANN模型，采用tansig隐藏层和purelin输出层函数，配合Levenberg-Marquardt训练算法，实现对导热系数的精准预测。

Conclusion

研究表明：ANN模型以R2=0.9809的卓越表现显著优于ANFIS模型(R2=0.9388)，其1.1296%的平均绝对百分比误差(MAPE)和0.00021的均方根误差(RMSE)证实了该模型在纺织品热性能预测中的可靠性。

Future Scope

未来研究可拓展至更多织物结构和环境条件，结合深度学习算法进一步提升模型泛化能力，为智能纺织品开发提供新思路。

Advantages and Limitations of the Models

ANN模型优势在于处理非线性关系的卓越能力，但需警惕过拟合风险；ANFIS模型虽解释性强，但预测精度相对较低。两种模型均为纺织工程领域提供了超越传统实验方法的数字化解决方案。