基于GA-BP 的多目標PEDOT∶PSS 導電非織造布性能優化

張天蕓 王芃生 吳嬌嬌

（1.蘭州理工大學，甘肅蘭州，730500；2.浙江昶豐新材料有限公司，浙江麗水，323010）

導電非織造布是指在紡織非織造布中添加導電材料，使其具有一定的導電性能和機械性能，并最大限度地保留原非織造布的紡織性能［1］。其中，聚（3，4-乙撐二氧噻吩）∶聚（苯乙烯磺酸）（PEDOT∶PSS）一般采用溶液混合法或電化學合成法制備。在制備過程中，3，4-乙烯二氧噻吩（EDOT）和聚（苯乙烯磺酸）（PSS）的摩爾比例、溶劑的種類和濃度等因素均會影響PEDOT∶PSS導電聚合物的性能。

使用浸涂法制備PEDOT∶PSS 導電非織造布的過程中，綜合性能優越的導電材料是確保導電非織造布具備優良導電性能和機械性能的關鍵［2］。為此，針對其材料配比與綜合性能優化問題開展了大量研究。李蛟［3］通過摻雜、熱處理以及外加電場等實現了PEDOT∶PSS 導電性能優化；陳志剛團隊［4］采用甲酰胺、濃硫酸和硼氫化鈉溶液，選擇性去除薄膜中多余的PSS 摻雜物，有效提高了其導電性能。 這些方法在優化PEDOT∶PSS 導電性能方面取得了一定的效果，但仍存在一些局限。例如：進行摻雜處理后，PEDOT∶PSS 導電非織造布的彈性變差，脆性增大，影響了導電非織造布包括透氣性在內的眾多紡織性能，因此有必要針對PEDOT∶PSS 導電非織造布的性能進行優化［5］。

本研究以浸涂法制備導電非織造布為基礎，重點考察了EDOT 與PSS 摩爾比例、過硫酸銨濃度、硫酸鐵濃度、HCl 質量分數對導電非織造布性能的影響。并依據試驗所測數據，構建制備PEDOT∶PSS 導電材料配比和導電非織造布性能之間非線性關系的BP 神經網絡模型。此外，為了提高 BP 神經網絡的預測精度，通過將遺傳算法應用于優化神經網絡的權值和閾值來構建精度更高的GA-BP 神經網絡。最后，基于該模型構造適應度函數進行多目標尋優得到最佳配比，制得綜合性能優良的PEDOT∶PSS 導電非織造布。

1 PEDOT∶PSS 導電非織造布的制備

1.1 堿減量處理

配置不同濃度的NaOH 水溶液，加入基布（滌/棉 65/35 非織造布，單位面積質量為134 g/m2）后充分攪拌再洗滌烘干。從圖1 可以看出，未經堿減量處理的滌/棉 65/35 非織造布的纖維表面存在毛羽、雜質等微小結構，經堿減量處理后，滌/棉65/35 非織造布與NaOH 水溶液發生了水解反應，使纖維表層非晶區大分子鏈端酯基發生水解，并逐漸向內發展，有效去除纖維表面雜質并在纖維表面產生刻痕，提高對導電液的黏附能力。

圖1 堿減量處理前后纖維微觀形貌

設計了5 組不同濃度NaOH 水溶液堿減量處理梯度試驗。試驗條件：裁剪5 組5 cm×5 cm的滌棉非織造布，分別進行不同濃度堿減量處理，烘干后測量其質量變化并計算出失重率；隨后將其浸入相同配比的PEDOT∶PSS 導電聚合物溶液中進行涂敷處理，測量質量變化并計算出附著率。

圖2 堿減量處理后非織造布失重率及附著率變化圖

結合圖1 滌棉非織造布堿減量處理前后微觀形態變化可得：當NaOH 水溶液濃度在0 mol/L～1.0 mol/L 區間，非織造布失重率和附著率的增長率較大；在1.0 mol/L～2.0 mol/L 區間，失重率和附著率基本呈現穩定狀態。過高濃度堿減量處理會影響非織造布機械性能，綜合考慮NaOH水溶液濃度為1.0 mol/L 時進行堿減量處理效果最佳，在保證織物形態更為完整的基礎上，可以有效提高滌棉非織造布的導電聚合物附著率。

1.2 浸涂法制備PEDOT∶PSS 導電非織造布

準備20 組5 cm×5 cm 的滌棉非織造布并進行堿減量處理。分別以EDOT 與PSS 摩爾比例（ω1），過硫酸銨濃度（ω2），硫酸鐵濃度（ω3）和鹽酸質量分數（ω4）為變量，設置5 組梯度試驗。以過硫酸銨和硫酸鐵作為氧化劑及催化劑，將EDOT與PSS 在酸性環境下聚合為PEDOT∶PSS 導電材料［6］，具體反應過程如圖3 所示。最后，采用涂敷工藝將所制得PEDOT∶PSS 導電材料均勻涂敷于堿減量處理后的非織造布表面，從而制備出導電性能優良的PEDOT∶PSS 導電非織造布。

圖3 PEDOT∶PSS 反應過程

1.3 導電非織造布性能表征

1.3.1導電性能表征

搭建一套由萬用表、導線、夾具和4 塊銅板組成的測試系統。利用電阻率和電導率計算公式，根據所測數據得到導電非織造布樣品的電導率和電阻率等指標［7］。導電非織造布電阻率計算公式如下。

式中：ρ為電阻率（Ω·m）；R為電阻值（Ω）；A為電阻橫截面積（m2）；L為電阻長度（m）。

由于導電非織造布電導率為電阻率的倒數，因此計算公式如下。

式中：σ為電導率（S/m）。由導電非織造布電阻率及電導率計算公式，即可得不同條件下PEDOT∶PSS 導電非織造布的導電性能。

1.3.2力學性能表征

本研究以拉伸斷裂強度作為機械性能的評價指標。按照GB/T 3923.1—2013《紡織品 織物拉伸性能 第1 部分：斷裂強力和斷裂伸長率的測定（條樣法）》中的測試方法，采用YG（B）026H-250型電子織物強力機測試PEDOT∶PSS 導電非織造布的拉伸斷裂強力，并計算出織物拉伸斷裂強度，所得數據如圖4 所示。

圖4 滌棉非織造布力學性能數據折線圖

由圖4 可以看出：斷裂伸長率呈現先減后增的趨勢，拉伸斷裂強度呈現下降趨勢。隨NaOH水溶液濃度的增加，滌棉非織造布斷裂伸長率由79%降為65%，拉伸斷裂強度由8.72 MPa 降為3.90 MPa。主要原因是，在堿減量處理過程中，NaOH 水溶液使纖維的表面和內部結構受損，破壞了纖維的結晶結構，降低纖維的結晶度和有序性，從而降低了纖維的拉伸斷裂強度和斷裂伸長率。但隨著NaOH 水溶液濃度的提高，纖維表層非晶區大分子鏈端酯基的水解反應加劇，有效去除了纖維表面雜質并使纖維細度和柔軟度增加，導致滌棉非織造布的斷裂伸長率小幅度增加。

2 BP 神經網絡模型構建

2.1 樣本數據處理

BP 神經網絡的樣本數據是構建模型的關鍵。表1 為PEDOT∶PSS 導電材料配比學習樣本數據，表2 為歸一化后的樣本數據。歸一化可以使樣本數據具有統一的尺度，避免了各影響因素之間數值差異過大的問題。選取1.0 mol/L NaOH 水溶液堿減量處理后的滌棉非織造布為基材，并根據表1 中PEDOT∶PSS 導電聚合物配比制備導電材料，最后將導電聚合物均勻涂敷于基布上，室溫風干。其中，影響導電非織造布性能的PEDOT∶PSS 導電材料配比參數有EDOT 與PSS 摩爾比例（ω1）、過硫酸銨濃度（ω2）、硫酸鐵濃度（ω3）和鹽酸質量分數（ω4）。隨后，將1 組～10組用作神經網絡訓練集，11 組～20 組用作測試集，隱含層采用Sigmoid 函數，輸出層采用Purelin函數。由于Sigmoid 函數值域范圍是[-1，1]或[0，1]，因此為了避免產生較大誤差，需要對數據進行歸一化處理［9］。

表1 PEDOT∶PSS 導電材料配比學習樣本數據

表2 歸一化處理后PEDOT∶PSS 導電材料配比學習樣本數據

2.2 BP 神經網絡結構設計及優化

2.2.1BP 神經網絡參數設計

BP 神經網絡模型主要由輸入層、隱含層和輸出層組成。在該問題求解過程中，神經網絡的輸入參數為PEDOT∶PSS 導電材料配比參數ω1、ω2、ω3和ω4，輸出參數為所制備導電非織造布的電導率及拉伸斷裂強度，輸入層神經元個數為4，輸出層神經元個數為2，學習速率為0.05，訓練集迭代次數設為1 000。此外，隱含層神經元數利用公式（3）估算出范圍，進而選擇誤差最小的隱含層神經元個數［10］。

式中：n1為隱含層神經元個數；n為輸入層神經元個數；m為輸出層神經元個數；a為[1，10]范圍內的常數。

為確保模型的準確性，對不同隱含層神經元個數的神經網絡模型進行誤差分析，分別訓練10次后取平均誤差為最后誤差評價指標。

式中：MAE為樣本誤差值；N為樣本個數；y′i和yi分別表示預測值和期望值。

所得誤差分析數據如表3 所示，當隱含層神經元個數為11 時，神經網絡誤差最小。

表3 不同神經元數量的神經網絡誤差對比

2.2.2基于GA-BP 神經網絡優化

遺傳算法（GA）是一種模擬自然選擇和遺傳機制的優化算法，它通過模擬進化過程中的選擇、交叉和變異等操作，基于反向傳播算法來調整網絡中的權重和偏置，以最小化損失函數，最終尋求最優解［11］。

GA-BP 神經網絡構建流程［12］如圖5 所示。

圖5 GA-BP 神經網絡構建流程圖

由于遺傳算法在迭代過程中不受外界影響，因此適應度函數的選取對收斂速度和尋找最優解起到了決定性的作用［13］。因此，樣本模型適應度函數如下。

式中：F為樣本模型適應度；Y1為實際輸出值；Y2為期望輸出值。

由于遺傳算子在GA-BP 神經網絡用于模擬自然界中的遺傳機制［14］。因此，本研究中遺傳算子采用隨機遍歷抽樣；交叉算子采用單點交叉算子，交叉概率為0.5，種群大小為2 000，最大遺傳代數為102 代。

隨機選取表2 中10 組數據為訓練集代入BP神經網絡和GA-BP 神經網絡進行訓練。并選取表2 中11 組～20 組數據比較兩者預測精度，結果如圖6 所示。

圖6 測試集預測結果對比圖

經研究分析，相比于對照組實際所測電導率，GA-BP 神經網絡的平均誤差約為0.057 2，而BP神經網絡的平均誤差為0.091 5，其結果見表4。因此可以得出結論：GA-BP 神經網絡的整體預測效果優于BP 神經網絡，更適合用于PEDOT∶PSS 最優配比問題。

表4 BP 神經網絡與GA-BP 神經網絡對比

2.3 基于GA-BP 的多目標優化PEDOT∶PSS 導電材料配比

在該問題的求解中，通過GA-BP 神經網絡模型進行仿真或預測，定義了神經網絡結構和參數設置，其目標函數如下。

適應度函數直接影響遺傳算法是否收斂，由于MATLAB 遺傳算法默認求解最小值問題［15］。因此，適應度函數如下。

通過遺傳算法多目標全局尋優，迭代102 次后得到最優配比組合為：EDOT 與PSS 摩爾比例0.334 5、過硫酸銨濃度0.029 7 mol/L、硫酸鐵濃度0.048 7 mol/L、鹽酸質量分數6.963 0%，此時PEDOT∶PSS 導電非織造布電導率為6.713 S/m，非織造布拉伸斷裂強度為4.581 MPa。

3 導電非織造布電導率穩定性分析

作為一種柔性導電材料，PEDOT∶PSS 導電非織造布的電導率穩定性至關重要。PEDOT∶PSS 導電非織造布的電導率穩定性需要考慮到日常使用過程中水洗和摩擦的影響，故分別設置5組試驗來探究PEDOT∶PSS 導電非織造布在摩擦和水洗過程中電導率的變化。根據GA-BP 神經網絡所得最佳理論配比，將所得配比進行簡化，即EDOT 與PSS 摩爾比例1∶3、過硫酸銨濃度0.03 mol/L、硫酸鐵濃度0.05 mol/L、鹽酸質量分數7%。在該條件下，制備出10 組PEDOT∶PSS 導電非織造布分別進行摩擦和水洗測試。

3.1 摩擦影響

PEDOT∶PSS 導電非織造布經摩擦后會對其電學性能產生影響［16］。在馬丁代爾耐磨試驗儀上，對制備的導電非織造布進行不同程度的摩擦，探究摩擦時間（0 min，5 min，10 min，15 min，20 min）對PEDOT∶PSS 導電非織造布的電導率影響，結果顯示經過不同摩擦時間處理后織物的電導率分別為6.329 S/m，5.917 S/m，5.618 S/m，5.464 S/m，5.348 S/m。PEDOT∶PSS 導電非織造布表面含有大量的PEDOT∶PSS 導電顆粒，經5 min 摩擦后，導電非織造布表面結合力變差，造成PEDOT∶PSS 導電顆粒部分發生脫落，降低了導電非織造布導電網絡的完整性，導致其電導率下降。電導率由6.329 S/m（0 min）降為5.917 S/m（5 min）。但隨著摩擦時間的繼續增加，導電非織造布電導率的下降幅度逐漸減緩，經20 min 摩擦后，其電導率僅降為5.348 S/m，說明制備的導電織物具有較好的耐摩擦使用性。

3.2 水洗影響

對PEDOT∶PSS 導電非織造布進行不同時間（0 min，15 min，30 min，45 min，60 min）的水洗，水洗后織物的電導率分別為6.536 S/m，5.917 S/m，5.682 S/m，5.525 S/m，5.435 S/m。PEDOT∶PSS 導電非織造布中的導電顆粒會在洗滌過程中發生輕微溶解，破壞了導電網絡完整性，導致其電導率下降，電導率由6.536 S/m（0 min）降為5.917 S/m（15 min）。隨洗滌時間增長，PEDOT∶PSS 導電非織造布電導率的下降幅度逐漸減緩，經60 min 洗滌后，其電導率降至5.435 S/m，表明制備的導電非織造布具有較好的耐水洗性。

4 結論

（1）基于GA-BP 的多目標全局尋優，制備導電非織造布的最佳配比組合為EDOT 與PSS 摩爾比例0.334 5、過硫酸銨濃度0.029 7 mol/L、硫酸鐵濃度0.048 7 mol/L、鹽酸質量分數6.963 0 %，此時PEDOT∶PSS 導電非織造布電導率為6.713 S/m，非織造布拉伸斷裂強度為4.581 MPa。

（2）根據模型構建，通過試驗得到導電非織造布，將該配比優化為：EDOT 與PSS 摩爾比例1∶3、過硫酸銨濃度0.03 mol/L、硫酸鐵濃度0.05 mol/L、鹽酸質量分數7%。在該條件下，導電非織造布經60 min 水洗后電導率由6.536 S/m降至5.435 S/m，經過20 min 摩擦后織物電導率由6.329 S/m 降至5.348 S/m 并趨于穩定，表明該導電織物具有較好的使用穩定性。