单军越　徐国祺

摘 要：基于BP神经网络对印楝提取物微胶囊防腐剂达到不同耐腐强度的载药量范围进行研究，分析印楝提取物微胶囊防腐剂的性能。通过对5种神经网络的优化算法进行筛选，确定最终预测算法。对比分析不同药剂的处理材在不同阶段的试件质量，对两种以印楝为基质的木材防腐剂达到不同耐腐程度所需药剂量进行预测。结果表明，以印楝提取物微囊防腐剂处理的大青杨试样达到强耐腐等级时载药量为140.091～170.807 kg/m3，而以印楝提取物为防腐剂处理材达到耐腐等级的载药量为42.462～70.930 kg/m3。模拟室外环境处理材，印楝提取物微胶囊试件损失质量为20.250 kg/m3。印楝提取物试件损失质量为25.250 kg/m3。从而说明用微胶囊包覆的印楝提取物在木材导管内具有更好的通过性及稳定性，微胶囊的缓释作用使该防腐剂可以达到更高的防腐等级。

关键词：印楝提取物;微胶囊;防腐剂;BP神经网络;载药量

中图分类号：S782.33    文献标识码：A   文章编号：1006-8023（2020）06-0065-07

Analysis of Drug Loading of Neem Microcapsule Preservative

Based on BP Network

SHAN Junyue， XU Guoqi*

（College of Engineering and Technology， Northeast Forestry University， Harbin 150040， China）

Abstract：Based on the BP neural network， it studied the drug loading range of neem extract microcapsule preservatives to reach different corrosion resistance strengths， and to analyze the performance of neem extract microcapsule preservatives. Screen the optimization algorithms of 5 neural networks to determine the final prediction algorithm. By comparing and analyzing the weights of the specimens treated with different chemicals at different stages， the dosage of the two wood preservatives based on neem to achieve different corrosion resistance levels was predicted. The result revealed it was concluded that the sample of poupuiusussurensis treated with the microcapsule preservative of neem extract had a strong anti-corrosion performance with the demand of the drug in the range of 140.091-170.807 kg/m3， while the demand of the drug for the level of anti-corrosion performance treated by neem extract in the range of 42.462-70.930 kg/m3. Simulating outdoor environment， the mass loss of the neem extract microcapsule test specimen was 20.250 kg/m3. The mass loss of neem extract test piece was 25.250 kg/m3. It showed that the neem extract coated with microcapsules had better passability and stability in the wood catheter， and the slow release effect of the microcapsules enabled the preservative to reach a higher antiseptic level.

Keywords：Neem extract; microcapsule; preservative; BP neural network; drug loading

收稿日期：2020-07-13

基金項目：国家自然科学基金项目（31500470）;黑龙江省自然科学基金项目（C2016014）

第一作者简介：单军越，硕士研究生。研究方向：木材防腐。E-mail：1176101808@qq.com。

通信作者：徐国祺，博士，副教授。研究方向：木材防腐及改性处理。E-mail：xuguoqi_2004@126.com

引文格式：单军越，徐国祺.基于BP网络的印楝微胶囊防腐剂载药量分析[J].森林工程，2020，36（6）：65-72.

SHAN J Y， XU G Q. Analysis of drug loading of neem microcapsule preservative based on BP network[J]. Forest Engineering，2020，36（6）：65-71.

0 引言

木材是人类生产、生活中的常用材料，但木材极易受腐朽菌、霉菌侵袭[1]。通过防腐处理可延长其使用寿命，从而达到节约木材资源的目的[2]。植物源木材防腐剂具有取材天然、毒性污染少、生物活性物质能循环利用、易于降解和良好的防腐抗菌性能等优点，为环保型木材防腐剂的研究开辟了一条新路径[3]。印楝是一种抑菌效果优良的天然生物质材料，被美国农业部誉为“可解决全球问题之树”[4-5]。伍亚琼等[6]用印楝素对柑橘全爪螨的抑制效果进行了研究;张竞文[7]研究了印楝果实及其提取物对蔬菜害虫的防治作用;邸向辉[8]以印楝提取物为基质的木材微囊防腐剂进行了研究，得出了以印楝提取物微胶囊处理的大青杨木材达到了强耐腐等级。

微胶囊技术以高分子聚合物成膜材为基质，将一些分散成细小的具有反应活性、敏感或易挥发的小液滴、固体小颗粒或气体包覆使之形成一层薄膜包裹的微小囊状物[9-11]。在木材防腐领域中，微胶囊技术能够有效降低防腐剂对人体健康和环境的危害，实现防腐剂的缓慢可控释放[12]。

BP神经网络是应用最为广泛的神经网络模型之一，具备处理线性不可分问题的能力[13-15]。王立海等[16]应用BP神经网络建立了森林生物量非线性遥感模型系统。周世玉等[17]应用BP神经网络对地采暖木板释热温度场进行预测，可有效获取地采暖地板检测腔体内部连续完整的温度场。本文引入BP神经网络对抑菌性能进行预测，为进一步预测该植物源微胶囊防腐剂的使用寿命提供依据。

1 材料与方法

1.1 数据来源及处理

邸向辉[8]在以印楝提取物为基质的木材防腐剂微胶囊制备及性能研究中，研究了印楝提取物、印楝提取物微胶囊（图1）处理的大青杨木材耐腐性能，分别得到了60组实验数据。影响因子包括浸注前木材干质量、浸注后木材湿质量、浸注后木材干质量、老化处理后木材干质量、防腐剂处理木材时长、腐朽后质量和质量损失率。本研究分别将60组数据中前50组作为训练样本集，后10组作为检验样本集，利用人工神经网络对不同耐腐强度下的载药量进行预测。

1.2 建立神经网络模型及确定隐含层节点数

BP神经网络是前馈神经网络的核心部分，广泛应用于分类识别、逼近、回归和压缩等领域。网络由多层构成，层与层之间全连接，同一层的神经元之间無连接。多层的网络设计使网络能从输入中挖

图1 印楝提取物微胶囊处理大青杨木材微观结构

Fig.1 Microcapsule treatment of large green poplar wood

microstructure by neem extract

掘更多的信息，实现从输入到输出的映射功能，从而完成更复杂的任务，故很适合本研究的预测模型建立。

本研究基于Matlab R2015b平台构建单隐层的BP神经网络，利用该模型预测印楝提取物防腐剂对木材防腐性能的影响。输入因子为数据来源部分中所述的7个影响因子，输出因子为木材的载药量，隐含层设置的节点数（M）根据数据拟合的精度来确定，一般的确定方法[18]见公式（1）：

M=n+m+a。（1）

式中：m和n分别为输出层和输入层的神经元个数;a为[0，10]的常数。

由于隐含层节点数是由公式（1）决定的，根据公式和输入层、输出层节点数来确定隐含层节点数的取值区间为[3，13]。本研究以印楝微胶囊溶液的实验数据为例，为了确定最优的隐含层节点数，分别应用LM（Levenberg-Marquardt）算法和贝叶斯正则化（BR）算法进行比较，数据结果见表1和表2。

根据表1、表2中的数据对比，在LM算法中显示，随着隐含层节点数的增加，模型的RMSE值不断减小，决定系数R2增大，而在M=8时模型精度达到最高。在BR算法中，决定系数（R2）和RMSE值随隐层节点数变化增幅并不明显，但在M=8或9时达到顶峰，结合两种算法的结果分析，本研究将以隐含层层数M=8为本模型的隐层节点数。

1.3 输入因子的归一化及反归一化

输入因子包括：浸注前木材干质量、浸注后木材湿质量、浸注后木材干质量、老化处理后木材干质量、防腐处理时长、腐朽后质量和质量损失率。由于输入因子的实验数据具有不同的量级，所以在输入神经网络之前首先进行归一化处理，可以有效地减少收敛次数，并且提高拟合精度[19]。该研究利用mapminmax函数[20]对数据输入因子和输出因子进行归一化处理，映射到[-1，1]区间。归一化处理的公式为：

Y=（Ymax-Ymin）×（X-Xmin）（Xmax-Xmin）。（2）

式中：Ymax =1，Ymin =-1，即把输入因子映射到[-1，1]区间;Xmax与Xmin分别为输入因子的最大值和输入因子的最小值。

反归一化则需要将预测得到数据从区间[-1，1]还原到实际的预测值[21]。

1.4 确定传递函数与参数设置

一般隐含层会使用Sigmoid函数，而输出层会使用线性函数。隐含层函数选择tansig函数公式：

f（x）=21+e-2x-1。（3）

参数设置为：学习速率0.01，最大迭代次数为1 000，目标精度为0.001，最大验证失败次数为10。

1.5 模型评价参数

模型的评价采用决定系数R2、均方根误差（RMSE，记为σRMSE），见公式：

R2=1-ni=1（Yi-yi）2ni=1（Yi-Y）2（4）

σRMSE=1nni=1（Yi-yi）2。（5）

式中：n为样本数;Yi为质损率的真实值;yi为模型预测值。

R2是决定系数，为拟合精度的指标，一般R2越接近1，表明模型对数据的拟合也越好。均方根误差越小，模型拟合精度越高。

2 结果与分析

2.1 不同算法模型的对比分析

建立输入变量为浸注前木材干质量、浸注后木材湿质量、浸注后木材干质量、老化处理后干质量、时间长度、腐朽后质量和质量损失率，输出变量为载药量，隐含层节点数为8的BP神经网络。依次以5种优化算法LM算法、BR算法、CGB共轭梯度反向传播算法、BFG拟牛顿反向传播算法和SCG反向传播算法分别应用于数据中进行建模和筛选，选择该网络的最佳算法。分别运行20次，以N为收敛次数，以N/20为收敛率[22]。以印楝提取物微胶囊处理材的实验数据为例，进行预测和比较（表3）。

由表3可以看出，这几种优化算法中BFG、CGB、SCG网络模型的迭代次数明显大于LM算法和BR算法，而且R2均值明显小于LM算法和BR算法，其均方根误差也明显大于前两种算法。BR算法拟合精度最高，最大决定系数也最大，从RMSE平均数可以看出其拟合效果最好，但收敛率只有65%，说明其收敛速度较慢。而在LM算法模型中，平均迭代次数只有4.7次，收敛次数为100%，说明模型训练收敛速度快，且模型拟合精度较高，各方面均衡，为最优的训练算法模型。

2.2 网络性能评价测定

利用耐腐实验的60组数据做模型预测，取前50组为训练集，后10组为测试集，输入因子为浸注前木材干质量、浸注后木材湿质量、浸注后木材干质量、老化处理后干质量、腐朽时长、腐朽后质量和质量损失率。印楝提取物微胶囊载药量真实值与预测值对照和网络性能如图2所示。

在MATLAB 软件中，数据输入后会自动分成三份，一份用于训练（Training）， 一份用于验证（Validation）、一份用于测试（Test），如图3所示。从图3可以看出回归结果越好，则参数R越接近1，数据点越靠近Y=T这条线，R值趋近于1，且数据点分布均匀，紧靠Y=T，证明此算法的数据拟合效果较好，模型精度很高。

2.3 两种不同溶液下载药量预测值与真实值对比

由以上分析得到的结论可以确定，该模型结构输入层、隐含层、输出层为7∶8∶1，选择LM算法为BP神经网络的训练算法。利用该网络分别对印楝提取物溶液、印楝提取物微胶囊处理材在不同耐腐等级情况下，应注入防腐剂的剂量大小（载药量）进行预测。

由表4和表5可以看出，该BP网络的預测值与真实值非常接近，且误差很小，故该模型对这两种木材防腐剂处理材载药量的预测有效且比较准确。

邸向辉[8]在实验中得出结论：印楝提取物处理的试件失重率为12.35%，属于耐腐等级（11%～24%）;印楝提取物微囊处理的试件失重率为6.60%，属于强耐腐等级[6]（0%～10%）。为保证处理材在该防腐剂的处理下达到应有的耐腐等级，故对该体积下达到两种耐腐等级范围内的载药量进行预测。由于本研究中木材样品的体积不是输入因子，故本文仅对体积为4 cm3的样品进行预测。7项输入因子，除试件失重率以外，其他6项输入因子均取60组样品数据的平均数进行预测，分别运行10次，得到平均数作为预测的载药量范围。见表6和表7。

从表6和表7可以看出，以微胶囊为载体的印楝提取物防腐剂对4 cm3的样品达到强耐腐等级时药剂需求为140.091～170.807 kg/m3。以印楝提取物溶液为防腐剂处理材达到耐腐强度的药剂需求范围为42.462～70.930 kg/m3。

2.4 两种防腐剂性能对比分析

对两种防腐剂各项实验数据得出浸注前干质量、浸注后湿质量、浸注后干质量和老化处理后干质量和腐朽后质量的平均值，见表8。

由表8可见，两种不同防腐剂用满细胞法浸注后，同树种同体积处理材质量基本一致（浸注后湿质量）。在烘干至恒重后，得到处理材浸注后干质量，即处理材与留存到木材细胞内部防腐剂的质量和。印楝提取物微胶囊防腐剂处理材平均载药量可以达到170 kg/m3（0.680 g/件），印楝提取物溶液防腐剂处理材平均载药量为52.5 kg/m3（0.210g/件）。微胶囊为载体的印楝提取物防腐剂更容易的进入木材的细胞内部，并留存于木材内部。

由于印楝提取物存在着对环境适应力差的不稳定特性，故对处理材进行了紫外、喷淋和凝露等处理，处理后微胶囊试件损失质量为20.250 kg/m3（0.081g/件）。印楝提取物试件损失质量为25.250 kg/m3（0.101g/件）。印楝提取物微胶囊防腐剂处理的木材老化处理后的失重率低于印楝提取物溶液防腐剂处理木材，进一步证明了微胶囊包覆的印楝提取物被更好地保护且稳定性更高，具有更好的缓释性能。

3 结论

本研究首次将BP神经网络预测模型引入到预测植物源木材防腐剂性能领域中，本文以印楝提取物溶液、印楝提取物微胶囊处理材为例，构建了防腐性能预测BP神经网络，并验证了BP神经网络在木材防腐性能预测上的可行性。通过对5种优化算法的挑选，确定了（LM） 算法为防腐性能BP 网络模型的最优训练算法。

本研究对印楝提取物和以微囊为载体的印楝提取物防腐剂处理后的大青杨木材样品进行药剂需求量预测。得到初步的结论，以微囊为载体的印楝提取物防腐剂处理的样品达到强耐腐等级的药剂需求范围为140.091～170.807kg/m3，而以印楝提取物直接为防腐剂处理材达到耐腐强度的药剂需求范围为42.462～70.930kg/m3。尽管单纯印楝提取物处理后木材达到耐腐等级所需载药量远低于以微囊为载体的印楝提取物防腐剂处理后木材达到强耐腐等级的载药量，但是由于其不稳定性，即使增大载药量，用其处理的木材样品也无法达到强耐腐等级。本研究没有对不同体积、不同树种处理材需求的药剂剂量进行预测，后续研究中会对其进行深入探索。

以微胶囊为载体的印楝提取物防腐剂相比印楝提取物溶液防腐剂更易通过木材内部的导管，从而达到吸收更多药量的效果。且在复杂的室外环境中表现出更为优异的稳定性，通过微囊破裂缓慢释放出药剂使防腐强度更高。关于木材内微胶囊缓释动力学的研究已经开展，会在之后的文献中阐述其方法与结论。

【参 考 文 献】

[1]GAO H， YANG M M， DANG B， et al. Natural phenolic compound-iron complexes： sustainable solar absorbers for wood-based solar steam generation devices[J]. RSC Advances， 2020， 10（2）：1152-1158.

[2]于洪枫，牟洪波，戚大伟，等.甲苯胺蓝介导的光动力疗法对一种白腐菌的抑制[J].森林工程，2019，35（2）：50-54.

YU H F， MU H B， QI D W， et al. Effect of toluidine blue-mediated photodynamic therapy on white-rot fungi[J]. Forest Engineering， 2019， 35（2）：50-54.

[3]李彤彤，李冠君，李晓文，等.植物源木材防腐剂的研究进展[J].热带农业科学，2018，38（10）：85-88.

LI T T， LI G J， LI X W， et al. Research advances in botanical wood preservatives[J]. Chinese Journal of Tropical Agriculture， 2018， 38（10）： 85-88.

[4]National Research Council. Neem： a tree for solving global problems[M]. Washington DC： National Academy Press， 1992.

[5]刘露晨，徐国祺.印楝提取物制备的微囊防腐剂在木材中的固化规律[J].北京林业大学学报，2018，40（4）：117-124.

LIU L C， XU G Q. Curing rule of microcapsules preservatives prepared from neem extracts in wood[J] . Journal of Beijing Forestry University， 2018， 40（4）：117-124.

[6]伍亚琼，张伟，罗怀海，等.植物源农药印楝素对柑橘全爪螨的防治效果[J].植物医生，2017，30（4）：54-56.

WU Y Q， ZHANG W， LUO H H， et al. The control effect of plant-based pesticide azadirachtin on citrus mite[J]. Plant Doctor， 2017， 30（4）： 54-56.

[7]张竞文.印楝果实及其提取物对蔬菜害虫防治作用[D].沈阳：沈阳农业大学，2016.

ZHANG J W. The effect of neem fruit and its extracts on vegetable pests[D]. Shenyang： Shenyang Agricultural University， 2016.

[8]邸向輝.以印楝提取物为基质的木材防腐剂微囊制备及性能研究[D].哈尔滨：东北林业大学，2014.

DI X H. Preparation and performance of a wood preservative microcapsule based on bioactivities of neem seed[D]. Harbin： Northeast Forestry University， 2014.

[9]刘万龙，陈合兴，何洛强，等.缓释香精微胶囊技术的研究进展[J].香料香精化妆品，2019，46（4）：82-88.

LIU W L， CHEN H X， HE L Q， et al. Research progress on encapsulation and controlled release technologies for flavour and fragrance[J]. Flavour Fragrance Cosmetics， 2019， 46（4）： 82-88.

[10]张慧娜，何一凡，李丽.微胶囊技术在化妆品中的应用进展[J].日用化学工业，2020，50（2）：124-128.

ZHANG H N， HE Y F， LI L. Advances in the applications of microcapsules in cosmetics[J]. China Surfactant Detergent & Cosmetics， 2020， 50（2）： 124-128.

[11]李爽，张双红，杨波，等.微胶囊技术在防腐涂层领域的应用[J].化工新型材料，2020，48（2）：32-36.

LI S， ZHANG S H， YANG B， et al. The application of microcapsule in the anti-corrosion coating[J]. New Chemical Materials， 2020， 48（2）： 32-36.

[12]胡拉，吕少一，傅峰，等.微胶囊技术在木质功能材料中的应用及展望[J].林业科学，2016，52（7）：148-157.

HU L， LV S Y， FU F， et al. Review of application of microencapsulation in wood functional materials and its future trends[J]. Scientia Silvae Sinicae， 2016， 52（7）： 148-157.

[13]林卓，吴承祯，洪伟，等.基于BP神经网络和支持向量机的杉木人工林收获模型研究[J].北京林业大学学报，2015，37（1）：42-47.

LIN Z， WU C Z， HONG W， et al. Yield model of Cunninghamialanceolata plantation based on back propagation neural network and support vector machine[J]. Journal of Beijing Forestry University， 2015， 37（1）： 42-47.

[14]牟洪波，王世伟，戚大伟，等.基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别[J].森林工程，2017，33（4）：40-43.

MU H B， WANG S W， QI D W， et al. Wood defects recognition based on gray-level co-occurrence matrix and fuzzy BP neural network[J]. Forest Engineering， 2017， 33（4）：40-43.

[15]马翔宇，王晓丰，段文英.落叶松木材干燥的BP神经网络模型研究[J].森林工程，2015，31（1）：63-65.

MA X Y， WANG X F， DUAN W Y. Research on BP neural network model of larch wood drying[J]. Forest Engineering， 2015， 31（1）：63-65.

[16]王立海，邢艳秋.基于人工神经网络的天然林生物量遥感估测[J].应用生态学报，2008，19（2）：261-266.

WANG L H， XING Y Q. Remote sensing estimation of natural forest biomass based on an artificial neural network[J]. Chinese Journal of Applied Ecology， 2008， 19（2）：261-266.

[17]周世玉，杜光月，褚鑫，等.地采暖木地板释热温度场的BP神经网络预测[J].林业科学，2018，54（11）：158-163.

ZHOU S Y， DU G Y， CHU X， et al. Prediction of thermal released field by the wood flooring for ground with heating system based on BP network[J]. Scientia Silvae Sinicae， 2018， 54（11）： 158-163.

[18]张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.

ZHANG D F. MATLAB neural network application design[M]. Beijing： China Machine Press， 2009.

[19]徐志扬.基于BP神经网络的马尾松树高曲线模型[J].林业调查规劃，2015，40（2）：6-8，73.

XU Z Y. Height-diameter model for Pinus massoniana based on BP neural network[J]. Forest Inventory and Planning， 2015， 40（2）： 6-8， 73.

[20]沈剑波，雷相东，李玉堂，等.基于BP神经网络的长白落叶松人工林林分平均高预测[J].南京林业大学学报（自然科学版），2018，42（2）：147-154.

SHEN J B， LEI X D， LI Y T， et al. Prediction mean height for Larix olgensis plantation based on Bayesian-regularization BP neural network[J]. Journal of Nanjing Forestry University （Natural Sciences Edition）， 2018， 42（2）： 147-154.

[21]董云飞，孙玉军，王轶夫，等.基于BP神经网络的杉木标准树高曲线[J].东北林业大学学报，2014，42（7）：154-156.

DONG Y F， SUN Y J， WANG Y F， et al. Generalized height-diameter model for Chinese fir based on BP neural network[J]. Journal of Northeast Forestry University， 2014， 42（7）： 154-156.

[22]王轶夫，孙玉军，郭孝玉.基于BP神经网络的马尾松立木生物量模型研究[J].北京林业大学学报，2013，35（2）：17-21.

WANG Y F， SUN Y J， GUO X Y. Single-tree biomass modeling of Pinus massoniana based on BP neural network[J]. Journal of Beijing Forestry University， 2013， 35（2）： 17-21.