【科研资讯】数据-物理模型驱动的超高周疲劳寿命预测方法

凯尔测控试验系统（天津）有限公司

进入展台在线留言

欢迎联系我

有什么可以帮您？在线咨询

【科研资讯】数据-物理模型驱动的超高周疲劳寿命预测方法

来源：凯尔测控试验系统（天津）有限公司 2023年10月08日 11:06

现代工程装备呈现长寿命服役的发展趋势，结构超长寿命预测对安全可靠服役至关重要。超高周疲劳是结构超长寿命服役需要考虑的失效模式，人们通过研究疲劳裂纹萌生与扩展机理，建立了超高周疲劳寿命的物理模型；近年来，人工智能与疲劳研究的结合为寿命预测提供了新思路，但数据量不足、纯数据驱动未有效融合物理模型仍是制约疲劳寿命预测的难题。

针对这些问题，华东理工大学朱明亮教授、轩福贞教授等人提出了数据-物理模型驱动的超高周疲劳寿命预测框架（图1），通过选择结构材料的小样本疲劳寿命数据，使用Z参量寿命模型进行数据扩展，引入多种机器学习算法和物理模型，采用多种材料对数据-物理模型的预测能力进行比较与验证。系列研究成果以“On micro-defect induced cracking in very high cycle fatigue regime”“A data-physics integrated approach to life prediction in very high cycle fatigue regime”和“Data-driven approach to very high cycle fatigue life prediction”为题先后发表在Fatigue Fract. Eng. Mater. Struct. 2022; 45: 3393、Int. J. Fatigue 2023; 176: 107917和Eng. Fract. Mech. 2023; 292: 109630上。

研究发现，训练集越大，机器学习方法预测材料疲劳寿命准确率越高，数据与物理模型的融合可显著提升预测准确度，为小样本数据下的超高周疲劳寿命预测提供了解决方案。基于Z参量模型和人工神经网络搭建的Z-PINN模型对15Cr钢、FV520B-I钢和GCr15钢的超高周疲劳寿命预测准确率分别为78.9%、89.3%和94.3%（图2）。

图1 数据-物理模型驱动的疲劳裂纹扩展和超高周疲劳寿命预测框架

图2 三种典型材料超高周疲劳寿命预测准确度比较

通讯作者简介：

朱明亮，教授、博导，主要从事机械结构疲劳、损伤与断裂研究，发表学术论文100余篇，出版专著1部，获省部级科技一等奖3项。兼任中国材料研究学会疲劳分会理事、中国机械工程学会成组与智能集成技术分会常务委员。

轩福贞，教授、博导，主要从事机械结构强度、智能传感与寿命可靠性、数字孪生技术等领域研究，发表学术论文300余篇，出版专著5部，获国家科技进步一等奖、二等奖等奖励。兼任中国机械工程学会压力容器分会副理事长、中国化工学会副理事长等。

免责声明

凡本网注明“来源：化工仪器网”的所有作品，均为浙江兴旺宝明通网络有限公司-化工仪器网合法拥有版权或有权使用的作品，未经本网授权不得转载、摘编或利用其它方式使用上述作品。已经本网授权使用作品的，应在授权范围内使用，并注明“来源：化工仪器网”。违反上述声明者，本网将追究其相关法律责任。
本网转载并注明自其他来源（非化工仪器网）的作品，目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责，不承担此类作品侵权行为的直接责任及连带责任。其他媒体、网站或个人从本网转载时，必须保留本网注明的作品第一来源，并自负版权等法律责任。
如涉及作品内容、版权等问题，请在作品发表之日起一周内与本网联系，否则视为放弃相关权利。

【科研资讯】数据-物理模型驱动的超高周疲劳寿命预测方法

免责声明

联系我们

关注我们