本发明专利技术提供了一种基于机器学习的TiAl合金疲劳裂纹扩展寿命预测方法。本发明专利技术利用机器学习对非线性数据的出色拟合能力，从TiAl合金疲劳裂纹扩展试验中挖掘学习，获得有效应力强度因子与疲劳裂纹扩展速率间的映射关系，进而基于机器学习结果和线弹性断裂力学中疲劳裂纹扩展理论，将裂纹扩展速率转化为裂纹扩展寿命。本发明专利技术能充分考虑TiAl合金疲劳裂纹扩展寿命预测过程中的非线性问题，避免了传统线性拟合对裂纹扩展寿命预测带来的计算误差，同时能减少计算成本，显著提高疲劳裂纹扩展寿命预测精度。精度。精度。
【技术实现步骤摘要】
一种基于机器学习的TiAl合金疲劳裂纹扩展寿命预测方法
[0001]本专利技术涉及一种基于机器学习的TiAl合金疲劳裂纹扩展寿命预测方法，属于材料疲劳寿命预测领域。
技术介绍
[0002]TiAl合金具有优异的抗蠕变、抗氧化能力和较高的比强度，是迄今唯一能够在600℃以上氧化环境长期使用的轻质高温合金材料，目前被广泛应用于航空航天飞行器的热端部件，如航空发动机叶片等。疲劳是航空发动机叶片最主要的失效形式，也是最危险的失效形式，表现在达到疲劳寿命极限时无明显先兆，就突然断裂解体。因此，预测TiAl合金疲劳裂纹扩展寿命，对考核其服役工况有重大意义。
[0003]近年来，机器学习已经成为材料研究的前沿方向和热点领域，并在预测效率和成本控制方面有显著优势。机器学习对非线性数据的出色拟合能力，因此可以从TiAl合金疲劳裂纹扩展试验中挖掘学习，获得有效应力强度因子与疲劳裂纹扩展速率间的映射关系。此外，机器学习模型具有良好的封装性，因此基于机器模型和线弹性断裂力学中疲劳裂纹扩展理论，可以将裂纹扩展速率转化为裂纹扩展寿命，从而便捷、快速、准确地预测不同初始条件试样的裂纹扩展寿命曲线。
[0004]基于上述原因，亟需开发一种基于机器学习的TiAl合金疲劳裂纹扩展寿命预测方法，以节省研发和试验成本。
技术实现思路
[0005]本专利技术的目的在于提供一种机器学习的TiAl合金疲劳裂纹扩展寿命预测方法，以实现低成本、高精度准确预测TiAl合金的疲劳寿命。
[0006]为了实现上述目的，本专利技术提供一种机器学习的TiAl合金疲劳裂纹扩展寿命预测方法，具体包括以下步骤：
[0007]步骤一：获取TiAl合金的有效应力强度因子ΔK
eff
和对应的疲劳裂纹扩展速率da/dN作为一组数据，多组数据构成原始数据集；
[0008]步骤二：对步骤一原始数据集进行数值处理；
[0009]步骤三：将步骤二处理后的数据集随机划分为训练集和测试集，构建机器学习模型，设定参数集，用训练集训练该模型，用测试集评估训练后的模型，调整参数集，直至得到最优模型；
[0010]步骤四：基于线弹性断裂力学中疲劳裂纹扩展理论，将待预测的TiAl合金疲劳试验初始条件输入步骤三中所述最优模型中，得到TiAl合金疲劳裂纹扩展寿命预测值。
[0011]较佳的，步骤二中，对原始数据集的每组数据中的有效应力强度因子ΔK
eff
和对应的疲劳裂纹扩展速率da/dN分别取对数处理得到lg(ΔK
eff
)和lg(da/dN)。
[0012]较佳的，步骤三中，将处理后的数据集随机划分为训练集和测试集，其中80％为训练集，20％为测试集。
[0013]较佳的，步骤三中，构建的机器学习模型为随机森林模型。
[0014]较佳的，步骤三中，参数集包含决策树数量n，决策树最大深度d，决策树最大特征数f。
[0015]较佳的，步骤三中，采用回归系数R2和均方根误差RMSE作为准确率评估训练后的模型，
[0016]其中，回归系数R2为：
[0017][0018]其中，n为测试集中数据组的个数，y
j
为测试集中裂纹扩展速率，为测试集中模型预测的裂纹扩展速率，为测试集中所有裂纹扩展速率的平均值；
[0019]均方根误差为RMSE为：
[0020][0021]其中，n为测试集中数据组的个数，y
j
为测试集中裂纹扩展速率，为测试集中模型预测的裂纹扩展速率。
[0022]较佳的，步骤三中，采用梯度下降算法调整参数集。
[0023]较佳的，步骤四中，待预测的TiAl合金的疲劳试验采用的试样为《GB/T6398
‑
2017金属材料疲劳试验疲劳裂纹扩展方法》中标准紧凑拉伸试样。
[0024]较佳的，步骤四中，待预测的TiAl合金疲劳试验初始条件为力值范围ΔF，试样厚度B，试样宽度W，初始裂纹长度a0。
[0025]较佳的，步骤四中，线弹性断裂力学中疲劳裂纹扩展理论公式具体为：
[0026][0027]式中形状因子为：
[0028][0029]其中，α＝a/W。
[0030]与现有技术相比，本专利技术具有如下显著优点：
[0031]本专利技术能充分考虑TiAl合金疲劳裂纹扩展寿命预测过程中的非线性问题，避免了传统线性拟合对裂纹扩展寿命预测带来的计算误差；同时可以便捷、快速、准确地预测不同初始条件试样的裂纹扩展寿命曲线，能减少计算成本以节省研发和试验成本。
附图说明
[0032]图1为本专利技术的基于机器学习的TiAl合金疲劳裂纹扩展寿命预测方法预测的裂纹扩展速率和试验值对比图。
[0033]图2为本专利技术的基于机器学习的TiAl合金疲劳裂纹扩展寿命预测方法预测的疲劳裂纹扩展寿命曲线。
具体实施方式
[0034]下面结合实施例和附图对本专利技术作进一步详述。
[0035]实施例
[0036]本专利技术所述的一种数据
‑
模型互驱动的TiAl合金疲劳寿命预测方法，具体包括以下步骤：
[0037]步骤一：获取TiAl合金的有效应力强度因子ΔK
eff
和对应的疲劳裂纹扩展速率da/dN作为一组数据，共49组数据构成原始数据集；
[0038]步骤二：对原始数据集的每组数据中的有效应力强度因子ΔK
eff
和对应的疲劳裂纹扩展速率da/dN分别取对数处理得到lg(ΔK
eff
)和lg(da/dN)；
[0039]步骤三：将步骤二处理后的数据集随机划分为训练集和测试集，其中80％为训练集，20％为测试集，构建随机森林模型，设定参数集，参数集包含决策树数量n，决策树最大深度d，决策树最大特征数f，用训练集训练该模型，用测试集采用回归系数R2和均方根误差RMSE作为准确率评估训练后的模型，
[0040]其中，回归系数R2为：
[0041][0042]其中，n为测试集中数据组的个数，y
j
为测试集中裂纹扩展速率，为测试集中模型预测的裂纹扩展速率，为测试集中所有裂纹扩展速率的平均值；
[0043]均方根误差为RMSE为：
[0044][0045]其中，n为测试集中数据组的个数，y
j
为测试集中裂纹扩展速率，为测试集中模型预测的裂纹扩展速率，
[0046]采用梯度下降算法调整参数集，直至得到最优模型，
[0047]调整得到的测试集为决策树数量n＝44，决策树最大深度d＝9，决策树最大特征数f＝1，最优模型的回归系数R2＝0.935均方根误差为RMSE＝0.296，该模型预测的裂纹扩展速率与试验值对比如图1所示；
[0048]步骤四：基于线弹性断裂力学中疲劳裂纹扩展理论，采用试样为《GB/T6398
‑
2017金属材料疲劳试验疲劳裂纹扩展方法》中标准紧凑拉本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的TiAl合金疲劳裂纹扩展寿命预测方法，其特征在于，具体包括以下步骤：步骤一：获取TiAl合金的有效应力强度因子ΔK
eff
和对应的疲劳裂纹扩展速率da/dN作为一组数据，多组数据构成原始数据集；步骤二：对步骤一原始数据集进行数值处理；步骤三：将步骤二处理后的数据集随机划分为训练集和测试集，构建机器学习模型，设定参数集，用训练集训练该模型，用测试集评估训练后的模型，调整参数集，直至得到最优模型；步骤四：基于线弹性断裂力学中疲劳裂纹扩展理论，将待预测的TiAl合金疲劳试验初始条件输入步骤三中所述最优模型中，得到TiAl合金疲劳裂纹扩展寿命预测值。2.如权利要求1所述的方法，其特征在于，步骤二中，对原始数据集的每组数据中的有效应力强度因子ΔK
eff
和对应的疲劳裂纹扩展速率da/dN分别取对数处理得到lg(ΔK
eff
)和lg(da/dN)。3.如权利要求1所述的方法，其特征在于，步骤三中，将处理后的数据集随机划分为训练集和测试集，其中80％为训练集，20％为测试集。4.如权利要求1所述的...
【专利技术属性】
技术研发人员：相恒高，刘旭，陈旸，祁志祥，陈光，
申请(专利权)人：南京玖铸新材料研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。