【技术实现步骤摘要】
本专利技术属于材料性能评估及寿命预测，具体涉及一种材料腐蚀疲劳裂纹扩展速率预测方法。
技术介绍
1、腐蚀疲劳失效具体指构件在腐蚀环境和交变载荷协同作用下的常见失效形式，其复杂性远超单纯腐蚀作用与疲劳影响的简单叠加。在此背景下，腐蚀疲劳裂纹扩展速率的准确预测对于工程应用具有重要意义，不仅关系到材料的服役寿命和结构完整性，也直接影响到相关设备的安全性和经济性。
2、随着人工智能领域的兴起和机器学习技术的发展，机器学习已被广泛应用于金属腐蚀疲劳裂纹扩展行为的预测，我国大量科研人员为有效研究航空铝合金材料在其服役环境下的损伤发展情况，采用数据驱动方法对航空铝合金材料的机械疲劳、腐蚀疲劳行为进行了深入研究，以预测表面裂纹试样的腐蚀疲劳裂纹生长率和疲劳寿命。经过腐蚀疲劳裂纹长度数据训练的传统的机器学习或者深度学习模型能够准确预测试样的疲劳裂纹生长寿命的结论已经得到证实。
3、然而，传统机器学习方法在应用中也面临着模型更新和适应新数据的问题。在当前的腐蚀疲劳裂纹扩展预测研究中，尽管各种机器学习算法展示了其处理复杂数据和大规模数...
【技术保护点】
1.一种材料腐蚀疲劳裂纹扩展速率预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的材料腐蚀疲劳裂纹扩展速率预测方法，其特征在于，基于新增的材料腐蚀疲劳裂纹扩展数据，采取增量学习策略对初始XGBoost模型进行更新，得到进化XGBoost模型包括：
3.根据权利要求2所述的材料腐蚀疲劳裂纹扩展速率预测方法，其特征在于，基于增量数据集，采取不少于两种增量学习策略，分别对初始XGBoost模型进行更新包括：
4.根据权利要求1-3任一项所述的材料腐蚀疲劳裂纹扩展速率预测方法，其特征在于，采集的材料腐蚀疲劳裂纹扩展初始数据
【技术特征摘要】
1.一种材料腐蚀疲劳裂纹扩展速率预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的材料腐蚀疲劳裂纹扩展速率预测方法，其特征在于，基于新增的材料腐蚀疲劳裂纹扩展数据，采取增量学习策略对初始xgboost模型进行更新，得到进化xgboost模型包括：
3.根据权利要求2所述的材料腐蚀疲劳裂纹扩展速率预测方法，其特征在于，基于增量数据集，采取不少于两种增量学习策略，分别对初始xgboost模型进行更新包括：
4.根据权利要求1-3任一项所述的材料腐蚀疲劳裂纹扩展速率预测方法，其特征在于，采集的材料腐蚀疲劳裂纹扩展初始数据包括但不限于：
5.根据权利要求1-3任一项所述的材料腐蚀疲劳裂纹扩展速率预测方法，其特征在于，对材料腐蚀疲劳...
【专利技术属性】
技术研发人员：彭钰峰，张勇祯，李雪源，龙影，
申请(专利权)人：广东腐蚀科学与技术创新研究院，
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。