机器学习法预测不同应力比6005A-T6铝合金疲劳裂纹扩展速率

摘要

本文开展了不同应力比(R为0.05,0.1,0.3,0.5,0.6)条件下的6005A-T6铝合金紧凑拉伸试样疲劳裂纹扩展速率试验,在此基础上采用BPNN、SVR、KNN和XGboost共4种机器学习方法,比较了4种机器学习方法预测6005A-T6铝合金疲劳裂纹扩展速率的能力;作为对照组,利用试验数据拟合得到了传统的Forman疲劳裂纹扩展率方程。结果表明:应力比R对6005A-T6铝合金裂纹扩展速率存在显著影响,相同应力强度因子范围ΔK下,裂纹扩展速率da/d N随R增大而提高,且R的增大会使裂纹更早进入稳定扩展阶段;4种机器学习模型建立的裂纹扩展率预测内推模型均能体现裂纹扩展过程中速率的非线性变化特征,且对试验数据的拟合系数r^(2)均达0.99以上,普遍高于Forman方程的0.82;4种机器学习模型建立的裂纹扩展率预测外推模型,BPNN算法的拟合系数r^(2)仍高于0.99;KNN算法消耗的训练时间最短,XGboost算法具有最佳的疲劳裂纹扩展速率内推预测能力,而BPNN算法则具有更好的扩展率外推预测性能表现。