【技术实现步骤摘要】
本专利技术涉及材料科学和人工智能，尤其涉及一种基于多模态transformer金属疲劳寿命预测方法。
技术介绍
1、金属材料的疲劳寿命预测是工程结构安全设计与服役可靠性评估的核心挑战之一。在循环载荷作用下，金属内部损伤的累积最终导致失效，这一过程高度复杂且受多重因素(如材料微观结构、载荷历程、环境条件等)的耦合影响。当前工程实践中广泛采用的疲劳寿命预测方法主要基于经典的经验或半经验模型，例如表征高周疲劳的basquin方程和低周疲劳的coffin-manson方程及其扩展形式(如morrow、smith-watson-topper模型)。这些模型在单轴、等幅加载等简化条件下表现尚可，但在面对复杂多轴应力状态(如非比例加载、变幅载荷)时，其预测精度显著下降。
2、近年来，随着人工智能技术的发展，深度学习方法在材料科学领域展现出巨大潜力。然而，现有的深度学习方法在处理金属疲劳寿命预测问题时仍存在以下不足：首先，传统的深度学习模型难以有效处理疲劳加载过程中的长程时序依赖关系；其次，现有方法往往将材料特征和加载路径特征割裂处理，无法...
【技术保护点】
1.一种基于多模态Transformer金属疲劳寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多模态Transformer金属疲劳寿命预测方法，其特征在于，所述采用双轨制标准化策略分别对材料属性数据和加时序数据进行预处理，包括以下步骤：
3.根据权利要求2所述的基于多模态Transformer金属疲劳寿命预测方法，其特征在于，通过时序编码器提取载荷时序特征，包括以下步骤：
4.根据权利要求3所述的基于多模态Transformer金属疲劳寿命预测方法，其特征在于，通过材料特征编码器提取材料特征，通过双层MLP处...
【技术特征摘要】
1.一种基于多模态transformer金属疲劳寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多模态transformer金属疲劳寿命预测方法，其特征在于，所述采用双轨制标准化策略分别对材料属性数据和加时序数据进行预处理，包括以下步骤：
3.根据权利要求2所述的基于多模态transformer金属疲劳寿命预测方法，其特征在于，通过时序编码器提取载荷时序特征，包括以下步骤：
4.根据权利要求3所述的基于多模态transformer金属疲劳寿命预测方法，其特征在于，通过材料特征编码器提取材料特征，通过双层mlp处理材料属性，如下式所示：
5.根据权利要求4所述的基于多模态transformer金属疲劳寿...
【专利技术属性】
技术研发人员：罗俊如，周天宇，官威，胡超，胡楷涞，
申请(专利权)人：常州大学，
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。