【技术实现步骤摘要】
一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法和系统
[0001]本专利技术属于结构健康监测与寿命预测领域,涉及一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法和系统。
技术介绍
[0002]疲劳断裂是材料与构件在工程服役过程中面临的最主要的失效模式之一。在扰动应力的作用下,材料或构件内部的高应力或高应变集中的部位,比如压力容器接管连接处或筒体环焊缝等,容易形成疲劳损伤,经过疲劳裂纹的萌生、裂纹稳态扩展和失稳快速扩展等三个阶段,最终发生疲劳断裂事故。疲劳裂纹的扩展行为给工程结构的安全可靠性带来了极大的隐患。因此,如何在线监测材料和结构的疲劳裂纹扩展行为,并根据监测数据准确评价与预测其疲劳裂纹扩展速率,是目前学术界和工程界的重点研究课题。
[0003]作为一种结构健康监测技术,声发射技术具备灵敏度高、应用范围广、能实现长期在线监测等独特优点,已被应用于不同材料与结构的疲劳裂纹扩展在线监测与寿命评价中。研究表明,通过提取不同声发射参量如计数、幅值、信息熵等,不仅能够实现疲劳裂纹扩展三个阶段的定性识别和表征,而且通过建立声发射参量与疲劳裂纹扩展速率之间的定量关系,能够进一步实现疲劳裂纹扩展速率和寿命的定量预测。然而,目前基于声发射监测数据的疲劳裂纹扩展速率预测模型,多是基于单一声发射参量与裂纹扩展速率之间的线性经验关系,缺乏严格的理论依据,预测准确率有待提高,且没有充分考虑疲劳载荷因素如应力比的影响。这些因素严重限制了声发射技术在疲劳裂纹扩展定量预测方面的进一步发展和应用。
[0004]近年来 ...
【技术保护点】
【技术特征摘要】
1.一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法,其特征在于,包括以下步骤:步骤1,获取声发射参数和疲劳工况参数;步骤2,基于声发射参数和疲劳工况参数,通过疲劳裂纹扩展速率预测模型预测疲劳裂纹扩展速率值;所述疲劳裂纹扩展速率模型为GA
‑
BPNN模型,所述GA
‑
BPNN模型的学习率、权重矩阵和偏置向量均通过遗传算法训练获得;遗传算法训练过程中适应度值最大的染色体对应的最优学习率、权重矩阵和偏置向量为GA
‑
BPNN模型的学习率、权重矩阵和偏置向量;步骤3,输出疲劳裂纹扩展速率值。2.根据权利要求1所述的一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法,其特征在于,所述声发射参数包括计数率、幅值率、能量率和信息熵率;所述声发射参数均通过割线法计算获得。3.根据权利要求1所述的一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法,其特征在于,所述疲劳工况参数包括平均应力和应力比。4.根据权利要求1所述的一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法,其特征在于,所述GA
‑
BPNN模型中输入层的神经元个数为声发射参数和疲劳工况参数数量的总和。5.根据权利要求1所述的一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法,其特征在于,步骤2中,通过试参法确定GA
‑
BPNN模型中隐含层的层数以及每层神经元的个数;GA
‑
BPNN模型的激活函数为LeakyReLU函数。6.根据权利要求1所述的一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法,其特征在于,步骤2中,遗传算法训练GP
‑
BPNN模型的步骤为:步骤2.1,设置遗传算法的参数;将训练集中的声发射参数和疲劳工况参数作为GA
‑
BPNN模型的输入数据,将训练集中疲劳裂纹扩展速率值作为GA
‑
BPNN模型的输出数据;步骤2.2,通过输入数据和输出数据对GA
‑
BPNN模型训...
【专利技术属性】
技术研发人员:柴孟瑜,刘攀,宋岩,段权,张早校,
申请(专利权)人:西安交通大学,
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。