基于人工神经网络与WASPAS决策模型的羊毛天然染色系统优化研究——以香蜂草(Melissa officinalis L.)为例

本研究创新性地将人工神经网络(ANN)与加权聚合求和积评估法(WASPAS)相结合，构建了香蜂草(Melissa officinalis L.)染羊毛的预测优化模型。通过3720组K/S值训练ANN实现94.13-95.28%预测精度，结合WASPAS筛选出Cu-GA最佳媒染组合(综合评分1.71)，显著提升UV防护(UPF=128.43)和色牢度，为天然染料系统提供了可迁移的化学计量学分析框架。

　　

Highlight

本研究通过整合预测建模与多标准决策分析，建立了天然染料系统的化学计量学评估框架。以香蜂草(Melissa officinalis L.)提取物为模型，对羊毛纱线进行生态染色评估，共测试40种生物/金属媒染组合。采用加权聚合求和积评估法(WASPAS)基于L、a、b*值对处理方案排序，发现Cu-GA组合以1.71综合评分最优。

Materials and chemicals

实验采用100%美利奴羊毛纱线(20/4 Nm)和伊朗乌尔米亚采集的香蜂草。使用实验室级媒染剂：明矾(KAl(SO₄)₂·12H₂O)、氯化亚锡(SnCl₂·2H₂O)、硫酸亚铁(FeSO₄·7H₂O)、五水硫酸铜(CuSO₄·5H₂O)及单宁酸(TA)、没食子酸(GA)等生物媒染剂。

Dye extraction

将植物材料干燥研磨后直接用于染色，这种未纯化提取物的使用符合实际纺织应用场景。通过下游颜色分析和机器学习建模补偿提取物异质性。

Color coordinates

香蜂草染羊毛的色度学分析显示，不同媒染处理在明度(L)、色品(a,b)、饱和度(C)和色相角(h^o)上存在显著差异。补充数据表S1-S3详细记录了生物媒染剂单独使用及与铝、锡、铁、铜的二元组合效果。

Conclusions

该研究通过多标准决策与机器学习融合框架，定量评估了40种媒染方案。前馈人工神经网络(ANN)对3720个K/S数据点的建模实现了94.13-95.28%预测精度，WASPAS分析则证实铜媒染能显著提升色牢度(4-5级)和UPF值(128.43)。这种ANN-WASPAS集成策略为天然产物配方开发提供了可迁移的分析范式。