一种数据-模型互驱动的TiAl合金疲劳寿命预测方法技术

本发明专利技术提供了一种数据

【技术实现步骤摘要】
一种数据
‑
模型互驱动的TiAl合金疲劳寿命预测方法


[0001]本专利技术涉及一种数据
‑
模型互驱动的TiAl合金疲劳寿命预测方法，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，是一种颇具应用潜力的轻质耐热高温结构材料。TiAl合金片层组织微观上力学性能具有较大的各向异性，其中疲劳裂纹的萌生和扩展的抗力是随机的，导致其在不同加载角度下和温度下的疲劳寿命表现出明显的差异。
[0003]虽然TiAl合金疲劳寿命可以通过实验方法测定，再通过理论模型进行寿命预测，但试验成本高，往往只能获得小样本数据，这也使得传统的模型预测方法只能在单一工况下进行预测。
[0004]近年来，基于数据科学的机器学习方法已经越来越多的应用于材料性能预测和新材料的研发等领域，并在预测效率和成本控制方面有显著优势。但是，机器学习需要大量可靠数据集供其挖掘学习，而疲劳数据往往只能获得小样本数据，导致基于数据驱动的疲劳寿命预测方法精度有限。基于以上原因迫切需要开发一种针对小样本、多工况的准确疲劳寿命预测方法。

技术实现思路

[0005]本专利技术的目的在于提供一种数据
‑
模型互驱动的TiAl合金疲劳寿命预测方法，以实现小样本、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：
[0007]步骤一：获取TiAl合金工况条件和疲劳寿命原始数据集；
[0008]步骤二：建立理论模型，根据理论模型对步骤一原始数据集进行数据处理得到标准数据集；
[0009]步骤三：构建随机森林模型，对步骤二所述标准数据集进行训练，测试最佳的参数组合，得到疲劳寿命预测模型；
[0010]步骤四：对步骤三所述疲劳寿命预测模型输入待预测的TiAl合金工况条件，得到TiAl合金疲劳寿命预测值。
[0011]较佳的，步骤一中，获取TiAl合金工况条件，该工况条件包括加载角度，温度，应力。
[0012]较佳的，步骤二中，建立理论模型，该理论模型为lgN＝a+bS，其中，a、b为常数，N为疲劳寿命，S为应力。
[0013]较佳的，步骤二中，对原始数据集进行插值处理得到标准数据集。
[0014]较佳的，步骤三中，构建的随机森林模型的参数组合包含决策树的数量、决策树最
大深度和决策树最大特征数。
[0015]较佳的，步骤三中，采用交叉验证法测试最佳的参数组合，具体步骤如下：
[0016]将标准数据集随机平均划分为十份，分别命名为D1,D2,
…
,D
i
，i＝1,2,
…
,10，将D1作为验证集，其余九份作为训练集训练随机森林模型，采用决定系数R
12
和均方根误差RMSE1评估该模型准确率；将D2作为验证集，其余九份作为训练集训练随机森林模型，采用决定系数R
22
和均方根误差RMSE2评估该模型准确率；以此类推，按上述训练和评估步骤，分别得到D
i
作为验证集时该模型准确率，平均后得到该模型的总准确率，
[0017]其中，D
i
作为验证集时决定系数R
i2
(i＝1,2,
…
,10)为：
[0018][0019]其中，n
i
为D
i
验证集中TiAl合金疲劳寿命数据个数，y
ij
为D
i
验证集中TiAl合金疲劳寿命实验值，为D
i
验证集中TiAl合金疲劳寿命预测值，为D
i
验证集中TiAl合金疲劳寿命平均值；
[0020]D
i
作为验证集时均方根误差RMSE
i
(i＝1,2,
…
,10)为：
[0021][0022]其中，n
i
为D
i
验证集中TiAl合金疲劳寿命数据个数，y
ij
为D
i
验证集中TiAl合金疲劳寿命实验值，为D
i
验证集中TiAl合金疲劳寿命预测值。
[0023]与现有技术相比，本专利技术具有如下显著优点：
[0024]本专利技术通过建立合适的随机森林模型，可以以较小的误差预测不同工况条件下的TiAl合金疲劳寿命。比传统的方法节约材料和时间成本，能快速并较为准确地预测TiAl合金疲劳寿命。
附图说明
[0025]图1为本专利技术的数据
‑
模型互驱动的TiAl合金疲劳寿命预测方法预测疲劳寿命和实际疲劳寿命对比图。
[0026]图2为本专利技术的数据
‑
模型互驱动的TiAl合金疲劳寿命预测方法预测疲劳应力
‑
疲劳寿命与真实疲劳应力
‑
疲劳寿命对比图。
[0027]图3为本专利技术的数据
‑
模型互驱动的TiAl合金疲劳寿命预测方法工况参数对疲劳寿命的重要性示意图。
具体实施方式
[0028]下面结合实施例和附图对本专利技术作进一步详述。
[0029]实施例
[0030]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：
[0031]步骤一：获取30组TiAl合金工况条件和疲劳寿命原始数据集；
[0032]具体的，获取的TiAl合金工况条件包括加载角度，温度，应力；
[0033]步骤二：建立理论模型，根据理论模型对步骤一原始数据集进行数据处理得到标准数据集；
[0034]具体的，该理论模型为lgN＝a+bS，其中，a、b为常数，N为疲劳寿命，S为应力，确定a和b的值，然后对原始数据集进行插值处理得到78组数据，构成标准数据集；
[0035]步骤三：构建随机森林模型，对步骤二中的标准数据集进行训练，测试最佳的参数组合，从而得到最终的疲劳寿命预测模型；
[0036]具体的，构建的随机森林模型的参数组合包含决策树的数量、决策树最大深度，决策树最大特征数；
[0037]其中，最佳的参数组合为：决策树的数量为90、决策树最大深度为10，决策树最大特征数为2；
[0038]采用交叉验证法测试最佳的参数组合，得到最终的疲劳寿命预测模型，具体步骤如下：
[0039]将标准数据集随机平均划分为十份，分别命名为D1,D2,
…
,D
i
，i＝1,2,
…
,10，将D1作为验证集，其余九份作为训练集训练上述随机森林模型，采用决定系数R
12
和均方根误差RMSE1评估该模型准确率；将D2作为验证集，其余九份作为训练集训练随本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据
‑
模型互驱动的TiAl合金疲劳寿命预测方法，其特征在于，包括以下步骤：步骤一：获取TiAl合金工况条件和疲劳寿命原始数据集；步骤二：建立理论模型，根据理论模型对步骤一原始数据集进行数据处理得到标准数据集；步骤三：构建随机森林模型，对步骤二所述标准数据集进行训练，测试最佳的参数组合，得到疲劳寿命预测模型；步骤四：对步骤三所述疲劳寿命预测模型输入待预测的TiAl合金工况条件，得到TiAl合金疲劳寿命预测值。2.如权利要求1所述的方法，其特征在于，步骤一中，获取TiAl合金工况条件，该工况条件包括加载角度，温度，应力。3.如权利要求1所述的方法，其特征在于，步骤二中，建立理论模型，该理论模型为lgN＝a+bS，其中，a、b为常数，N为疲劳寿命，S为应力。4.如权利要求1所述的方法，其特征在于，步骤二中，对原始数据集进行插值处理得到标准数据集。5.如权利要求1所述的方法，其特征在于，步骤三中，构建的随机森林模型的参数组合包含决策树的数量、决策树最大深度和决策树最大特征数。6.如权利要求1所述的方法，其特征在于，步骤三中，采用交叉验证法测试最佳的参数组合，具体步骤如下：将标准数据集随机平均划分为十份，分别命名为D1,D2,
…
,D
i
，i＝1,2,
…
,10，将D1作为验证集，其余九份作为训练集训练随机森林模型，采用决定系数R
1...

【专利技术属性】
技术研发人员：相恒高，杨旭辉，陈旸，李沛，刘旭，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：