基于简单试验数据的材料复杂疲劳寿命机器学习预测方法技术

本发明专利技术属于材料疲劳寿命预测技术领域，具体涉及一种基于简单试验数据的材料复杂疲劳寿命机器学习预测方法，包括：建立目标材料的简单载荷寿命数据集；提取复杂疲劳载荷下材料的典型损伤机制及相应的特征参量；对疲劳寿命‑损伤机制‑特征参量之间的物理约束进行编码；设计考虑物理损伤机制的非全连接物理信息‑神经网络；对输入特征和输出特征进行归一化处理，对非全连接物理信息‑神经网络进行训练；建立目标材料的复杂载荷寿命数据集；应用物理信息‑神经网络对复杂载荷寿命数据集进行寿命外推预测，并进行蠕变、疲劳、氧化三类损伤的识别与分析。本发明专利技术实现了由简单载荷试验数据训练模型而后直接外推预测复杂疲劳载荷寿命的目的。

【技术实现步骤摘要】

本专利技术属于材料疲劳寿命预测，具体涉及一种基于简单试验数据的材料复杂疲劳寿命机器学习预测方法。

技术介绍

1、现代航空发动机、燃气轮机等设备的工作环境越来越复杂，结构承受着极端的热力耦合载荷。由于装置启停、稳态运行、工况繁多等因素，涡轮叶片和轮盘等关键限寿部件的服役过程伴随着复杂的蠕变-疲劳交互效应和热-机械疲劳交互效应。因此，准确预测和评估复杂载荷下的疲劳寿命是结构设计的重要基础。

2、传统范式下蠕变-疲劳交互和热机械疲劳寿命评估往往依赖于大量的试验数据和参数拟合，这导致了高昂的时间成本和试验成本。一种潜在的思路是从简单广泛的纯蠕变、纯疲劳试验中提取信息，外推式地预测复杂载荷下的疲劳寿命。在经典的复杂疲劳寿命建模方面，线性损伤累积模型由于简单易操作得到了广泛应用。例如时间分数法计算一周次的蠕变损伤与疲劳损伤，然后使用蠕变-疲劳损伤包络线来预测蠕变-疲劳断裂寿命。再如neu-sehitoglu模型广泛用于热机械疲劳寿命的评估，通过对蠕变损伤、疲劳损伤和氧化损伤进行建模计算，再基于时间分数法预测疲劳寿命。然而，数据量的增加与数据分散性的增大导致本文档来自技高网...

【技术保护点】

1.基于简单试验数据的材料复杂疲劳寿命机器学习预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于简单试验数据的材料复杂疲劳寿命机器学习预测方法，其特征在于，所述步骤S1中，简单载荷寿命数据集具有十二维的输入特征和一维的输出特征，十二维的输入特征为：

3.根据权利要求2所述的基于简单试验数据的材料复杂疲劳寿命机器学习预测方法，其特征在于，所述步骤S2中，复杂疲劳载荷下材料的典型损伤机制包括蠕变损伤、疲劳损伤和氧化损伤，蠕变损伤控制参量包括拉伸峰值温度Tup、拉伸最大应力σup1、保载结束应力σup2、拉伸保载时间tup和拉伸加载时间ttens；疲劳损...

【技术特征摘要】

1.基于简单试验数据的材料复杂疲劳寿命机器学习预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于简单试验数据的材料复杂疲劳寿命机器学习预测方法，其特征在于，所述步骤s1中，简单载荷寿命数据集具有十二维的输入特征和一维的输出特征，十二维的输入特征为：

3.根据权利要求2所述的基于简单试验数据的材料复杂疲劳寿命机器学习预测方法，其特征在于，所述步骤s2中，复杂疲劳载荷下材料的典型损伤机制包括蠕变损伤、疲劳损伤和氧化损伤，蠕变损伤控制参量包括拉伸峰值温度tup、拉伸最大应力σup1、保载结束应力σup2、拉伸保载时间tup和拉伸加载时间ttens；疲劳损伤控制参量包括拉伸峰值温度tup、压缩谷值温度tdown、拉伸最大应力σup1、应力范围δσ、总应变范围δε和塑性应变范围δεp；氧化损伤控制参量包括压缩谷值温度tdown、压缩最大应力σdown、塑性应变范围δεp、压缩保载时间tdown和压缩加载时间tcomp。

4.根据权利要求3所述的基于简单试验数据的材料复杂疲劳寿命机器学习预测方法，其特征在于，所述步骤s3中，损伤范围约束是指各分损伤与总损伤的范围均在[0, 1]之间，分损伤即蠕变损伤dcreep、疲劳损伤dfatigue、氧化损伤doxidation，不等式如下：

5.根据权利要求2所述的基于简单试验数据的材料复杂疲劳寿命机器学习预测方法，其特征在于，所述步骤s4中，物理信息-神经网络在网络结构上将十二维的输入特征选择性地输入至蠕变损伤网络块、疲劳损伤网络块和氧化损伤网络块，分别输出潜在的蠕变损伤因子、疲劳损伤因子、氧化损伤因子，三种损伤因子构成了物理信息-神经网络的损伤层，损伤层作为寿命预测网络块的输入，实现疲劳寿命的预测。

6.根据权利要求5所述的基...

【专利技术属性】
技术研发人员：范永升，郝文琦，石多奇，杨晓光，隋天校，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：