一种基于卷积神经网络的高温部件蠕变断裂寿命预测方法技术

本发明专利技术涉及一种基于卷积神经网络的高温部件蠕变断裂寿命预测方法，包括：步骤

【技术实现步骤摘要】
一种基于卷积神经网络的高温部件蠕变断裂寿命预测方法


[0001]本专利技术涉及高温部件蠕变断裂寿命预测领域，更具体地涉及一种基于卷积神经网络的高温部件蠕变断裂寿命预测方法
。

技术介绍

[0002]蠕变是先进核电
、
火电
、
航空发动机等领域高温结构的重要损伤模式
。
研究表明，高温结构不连续位置应力场较为复杂，是结构失效的主要潜在位置
。
因此，局部不连续区域的蠕变断裂寿命预测是需要重点关注的内容
。
[0003]现有
ASME、RCC
‑
MRx
等高温设计规范中，均提供了面向高温部件的蠕变断裂寿命预测方法
。
这些方法多为基于单个危险节点的评价方法，不能考虑危险区域的共同贡献，所得蠕变断裂寿命预测结果过于保守
。

技术实现思路

[0004]由于算法的改进优化以及计算机硬件性能的提升，大数据方法逐渐运用于高温部件蠕变断裂寿命预测
。
以深度学习方法为例，其具有能解耦多维特征数据
、
学习能力强
、
适应性好等优势，因而在高温部件蠕变断裂寿命预测领域具有较大的潜力
。
当前基于深度学习等算法的高温部件蠕变断裂寿命预测研究中，多仅限于单轴条件下
。
对于本专利技术所涉及的局部不连续部位的高温部件蠕变断裂寿命预测问题，目前尚未有相关文献报道
。
为解决高温部件蠕变断裂寿命预测问题，本专利技术考虑将卷积神经网络融入高温部件蠕变断裂寿命预测方法，以实现高温部件蠕变断裂寿命测精确预测
。
[0005]本专利技术提供的一种基于卷积神经网络的高温部件蠕变断裂寿命预测方法，包括：
[0006]步骤
S1
，确定待测件的试验参数，并根据所述待测件的试验参数和实际断裂寿命，获取待测件的蠕变断裂寿命历史实验数据；
[0007]步骤
S2
，根据所述待测件的蠕变断裂寿命历史实验数据，基于有限元软件，获取待测件的相关应力分布云图；
[0008]步骤
S3
，对所述相关应力分布云图进行后处理，并将所述待测件的蠕变寿命和后处理后的相关应力分布云图分成测试数据集和训练数据集；
[0009]步骤
S4
，将所述训练数据集输入至带有注意力机制的卷积神经网络模型进行训练调参，获取高温部件蠕变断裂寿命预测模型；
[0010]步骤
S5
，将所述测试数据集输入至所述高温部件蠕变断裂寿命预测模型，获取待测件的预测寿命，并将预测寿命与真实寿命进行对比，若预测寿命的误差在预设范围内，则结束流程；否则，更新训练数据集，返回步骤
S4。
[0011]进一步地，所述步骤
S1
包括：
[0012]步骤
S11
，根据所述待测件的试验参数和实际断裂寿命，获取损伤力学蠕变本构方程参数，得到损伤力学蠕变本构方程；
[0013]步骤
S12
，将所述损伤力学蠕变本构方程耦合至有限元软件中，得到待测件的蠕变
断裂历史寿命实验数据
。
[0014]进一步地，所述步骤
S2
包括：
[0015]步骤
S21
，将诺顿贝利本构方程耦合至有限元软件中；
[0016]步骤
S22
，对所述待测件的蠕变断裂寿命历史实验数据进行整合，将整合后的数据导入耦合了诺顿贝利本构方程的有限元中进行计算，获取应力分布结果；
[0017]步骤
S23
，将
Mises
应力和应力三轴度确定为待提取的特征，根据应力分布结果，获取
Mises
应力云图和应力三轴度云图
。
[0018]进一步地，所述步骤
S3
中对相关应力分布云图进行后处理包括云图连续化
、
统一输出格式
、
统一云图上下限和应力云图区域选择
。
[0019]进一步地，所述云图连续化的方法为：将每张云图设置为连续化输出
。
[0020]进一步地，所述统一输出格式的方法为：将所有云图的输出形式均设置为
EPS
格式
。
[0021]进一步地，所述统一云图上下限的方法为：统计每张
Mises
应力云图数值的最大值和最小值，获取最大值集合和最小值集合，将最大值集合中的最大值作为调整后的
Mises
应力云图数值的最大值，将最小值集合中的最小值作为调整后的
Mises
应力云图数值的最小值，同理，应力三轴度也采取如上方法确定上下限
。
[0022]进一步地，所述应力云图区域的高度由以下公式进行选取：
[0023][0024]式中，
β
一般取
0.9
‑1，
L'
为所选区域的高度，
D'
为待测件的最大半径
。
[0025]进一步地，所述测试数据集和所述训练数据集的获取方法为：将所述
Mises
应力云图
、
所述应力三轴度云图和每张云图中对应的待测件的蠕变寿命组成原始数据集，并将原始数据集按照预设比例分成测试数据集和训练数据集
。
[0026]本专利技术提供的一种基于卷积神经网络的高温部件蠕变断裂寿命预测方法，虑了
Mises
应力和应力三轴度共同对蠕变断裂寿命的影响，采用图片数据的方式进行寿命预测，相比传统的机器学习数据形式，更具物理可解释性
。
并且，本专利技术可以实现高温部件多轴蠕变寿命的精准预测
。
附图说明
[0027]图1是根据本专利技术的基于卷积神经网络的高温部件蠕变断裂寿命预测方法的流程框图
。
[0028]图2是待测件的建模图
。
[0029]图
3(a)
是后处理后的
Mises
应力云图，图
3(b)
是后处理后的应力三轴度云图
。
[0030]图4是根据图1预测方法的蠕变寿命预测结果
。
具体实施方式
[0031]下面结合附图，给出本专利技术的较佳实施例，并予以详细描述
。
[0032]如图1所示，本专利技术提供的基于卷积神经网络的高温部件蠕变断裂寿命预测方法，包括以下步骤：
[0033]步骤
S1
，确定待测件的试验参数，并根据待测件的试验参数和实际断裂寿命，获取待测件的蠕变断裂寿命历史实验数据
。
[0034]具体地，步骤
S1
包括：
[0035]步骤
S11
，根据待测件的试验参数和实际本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于卷积神经网络的高温部件蠕变断裂寿命预测方法，其特征在于，包括：步骤
S1
，确定待测件的试验参数，并根据所述待测件的试验参数和实际断裂寿命，获取待测件的蠕变断裂寿命历史实验数据；步骤
S2
，根据所述待测件的蠕变断裂寿命历史实验数据，基于有限元软件，获取待测件的相关应力分布云图；步骤
S3
，对所述相关应力分布云图进行后处理，并将所述待测件的蠕变寿命和后处理后的相关应力分布云图分成测试数据集和训练数据集；步骤
S4
，将所述训练数据集输入至带有注意力机制的卷积神经网络模型进行训练调参，获取高温部件蠕变断裂寿命预测模型；步骤
S5
，将所述测试数据集输入至所述高温部件蠕变断裂寿命预测模型，获取待测件的预测寿命，并将预测寿命与真实寿命进行对比，若预测寿命的误差在预设范围内，则结束流程；否则，更新训练数据集，返回步骤
S4。2.
根据权利要求1所述的基于卷积神经网络的高温部件蠕变断裂寿命预测方法，其特征在于，所述步骤
S1
包括：步骤
S11
，根据所述待测件的试验参数和实际断裂寿命，获取损伤力学蠕变本构方程参数，得到损伤力学蠕变本构方程；步骤
S12
，将所述损伤力学蠕变本构方程耦合至有限元软件中，得到待测件的蠕变断裂历史寿命实验数据
。3.
根据权利要求1所述的基于卷积神经网络的高温部件蠕变断裂寿命预测方法，其特征在于，所述步骤
S2
包括：步骤
S21
，将诺顿贝利本构方程耦合至有限元软件中；步骤
S22
，对所述待测件的蠕变断裂寿命历史实验数据进行整合，将整合后的数据导入耦合了诺顿贝利本构方程的有限元中进行计算，获取应力分布结果；步骤
S23
，将
Mises
应力和应力三轴度确定为待提取的特征，根据应力分布结果，获取
Mises
应力云图和应力三轴度云...

【专利技术属性】
技术研发人员：宫建国，郑舟，李玲，王煦嘉，王弘昶，张翟，轩福贞，
申请(专利权)人：上海核工程研究设计院股份有限公司，
类型：发明
国别省市：