一种海洋焊接结构的腐蚀疲劳寿命预测方法、系统及设备技术方案

本发明专利技术涉及一种海洋焊接结构的腐蚀疲劳寿命预测方法及系统，涉及工程部件疲劳寿命预测领域，该方法包括：疲劳性能数据集中各样本数据均包括海洋焊接结构的多个疲劳寿命影响因素和海洋焊接结构的疲劳寿命；获取疲劳性能数据集中每个疲劳寿命影响因素的类别不平衡数据区域，并对每个疲劳寿命影响因素的类别不平衡数据区域进行数据增强；采用极端梯度提升算法，确定各疲劳寿命影响因素的权重；基于数据增强后的疲劳性能数据集，训练深度卷积神经网络模型；深度卷积神经网络模型为通过注意力机制将各疲劳寿命影响因素的权重嵌入后的深度卷积神经网络模型。本发明专利技术提高了基于数据驱动算法的海洋焊接结构寿命预测的泛化能力。动算法的海洋焊接结构寿命预测的泛化能力。动算法的海洋焊接结构寿命预测的泛化能力。

【技术实现步骤摘要】
一种海洋焊接结构的腐蚀疲劳寿命预测方法、系统及设备


[0001]本专利技术涉及工程部件疲劳寿命预测领域，特别是涉及一种海洋焊接结构的腐蚀疲劳寿命预测方法、系统及设备。

技术介绍

[0002]一直以来，尺寸大、结构复杂和服役情况复杂等原因导致船舶、海洋平台焊接结构的疲劳行为离散性大，难以进行系统分析。特别是海洋焊接结构受到海水腐蚀的影响，相比无腐蚀条件下的疲劳行为存在较大差别，腐蚀疲劳损伤往往大于腐蚀和疲劳分别引起的损伤之和，因此对海洋焊接结构在海水腐蚀条件下的疲劳寿命进行预测对海洋焊接结构的疲劳性能研究以及疲劳设计具有十分重要的指导作用。
[0003]通常，海洋焊接结构疲劳测试人力物力消耗大，大尺寸结构件的疲劳性能研究存在较大的困难。当今，基于人工智能技术开展的疲劳寿命预测结果表明，混合智能算法是准确预测疲劳寿命的一种有效手段。然而，目前疲劳寿命的预测多是基于机器学习方法对某一应力水平条件下的疲劳寿命进行直接预测，但是由于疲劳性能的离散性以及腐蚀条件下的复杂性，容易导致预测结果误差特别大，因此难以稳定描述海洋焊接结构的疲劳性能。
...

【技术保护点】

【技术特征摘要】
1.一种海洋焊接结构的腐蚀疲劳寿命预测方法，其特征在于，包括：构建海洋焊接结构的疲劳性能数据集，所述疲劳性能数据集中各样本数据均包括海洋焊接结构的多个疲劳寿命影响因素和海洋焊接结构的疲劳寿命；遍历每个疲劳寿命影响因素，获取疲劳性能数据集中每个疲劳寿命影响因素的类别不平衡数据区域，并对每个疲劳寿命影响因素的类别不平衡数据区域进行数据增强，获得数据增强后的疲劳性能数据集；基于所述数据增强后的疲劳性能数据集，采用极端梯度提升算法，确定各疲劳寿命影响因素的权重；基于所述数据增强后的疲劳性能数据集，训练深度卷积神经网络模型，获得海洋焊接结构的腐蚀疲劳寿命预测模型；所述深度卷积神经网络模型为通过注意力机制将各疲劳寿命影响因素的权重嵌入后的深度卷积神经网络模型；采用所述海洋焊接结构的腐蚀疲劳寿命预测模型对待预测海洋焊接结构进行寿命预测。2.根据权利要求1所述的海洋焊接结构的腐蚀疲劳寿命预测方法，其特征在于，所述疲劳寿命影响因素包括材料类型、应力比、加载频率、载荷类型、表面状态和温度。3.根据权利要求1所述的海洋焊接结构的腐蚀疲劳寿命预测方法，其特征在于，所述遍历每个疲劳寿命影响因素，获取疲劳性能数据集中每个疲劳寿命影响因素的类别不平衡数据区域，并对每个疲劳寿命影响因素的类别不平衡数据区域进行数据增强，获得数据增强后的疲劳性能数据集，具体包括：利用边缘过采样方法确定获取疲劳性能数据集中每个疲劳寿命影响因素的类别不平衡数据区域，并对每个疲劳寿命影响因素的类别不平衡数据区域进行插值，获得数据增强后的疲劳性能数据集。4.根据权利要求1所述的海洋焊接结构的腐蚀疲劳寿命预测方法，其特征在于，所述基于所述数据增强后的疲劳性能数据集，训练深度卷积神经网络模型，获得海洋焊接结构的腐蚀疲劳寿命预测模型，具体包括：将所述数据增强后的疲劳性能数据集划分为训练集和测试集；采用所述训练集，以多个疲劳寿命影响因素为输入，海洋焊接结构的疲劳寿命为输出训练所述深度卷积神经网络模型，直到深度卷积神经网络模型的输出的预测值误差达到预设条件时，采用所述测试集对训练后的深度卷积神经网络模型进行测试和优化，获得海洋焊接结构的腐蚀疲劳寿命预测模型。5.一种海洋焊接结构的腐蚀疲劳寿命预测系统，其特征在于，包括：疲劳性能数据集构建模块，用于构建海洋焊接结构的疲劳性能数据集，所述疲劳性能数据集中各样本...

【专利技术属性】
技术研发人员：徐连勇，冯超，赵雷，韩永典，
申请(专利权)人：天津大学，
类型：发明
国别省市：