基于反向传播神经网络的人工智能辅助聚酰亚胺纤维染色优化研究

本文创新性地将反向传播(BP)神经网络应用于聚酰亚胺(PI)纤维染色优化，通过建立包含配方修正模块的预测模型，有效解决了因电荷转移复合物(CTC)效应导致的非线性染色难题。实验验证显示该模型对L、a、b*的预测均方根误差(RMSE)分别低至1.52、1.14、1.63，色差(ΔE)可控制在0.1以内，为高性能纤维的智能配色提供了新范式。

　　

Highlight

聚酰亚胺(PI)纤维因其独特的电荷转移复合物(CTC)效应和非线性染色行为，传统染色方法面临重大挑战。本研究通过反向传播(BP)神经网络构建预测模型，创新性地整合配方修正模块，精准模拟载体辅助染色过程中染料-纤维相互作用和CTC修饰效应。

Materials

实验采用江苏奥神高新材料公司提供的PI-C型聚酰亚胺纤维（经纬密度280×220根/10cm），以及浙江闰土股份的C.I.分散红60(DR60，M_w=331.327g/mol)和C.I.分散蓝56(DB56，M_w=304.69g/mol)等工业级染料。

Color space and BP neural network

通过MATLAB分析169个样本的CIE Lab色空间显示：当染料浓度<1% owf时，L值(15.628-89.415)与染料浓度呈显著非线性关系。建立的BP神经网络采用3-15-3结构，通过Levenberg-Marquardt算法优化，成功捕捉到载体苯二醇醚(PPA)破坏原有CTC并形成新CTC的动态过程。

Conclusion

该研究构建的智能染色体系将色差ΔE控制在肉眼不可辨范围(<1.0)，其中载体PPA的溶胀作用使纤维分子间隙增大0.5-1.2?，CTC重组能降低38.7%，显著提升分散染料上染率。这种AI驱动框架为高性能纤维染色提供了可解释的量化模型。