一种基于机器学习的蠕变疲劳概率损伤评定方法

摘要

本发明涉及一种基于机器学习的蠕变疲劳概率损伤评定方法，包括：S1：获得试样不同工况下的原始小样本；S2：利用SMOTE获得不同工况下的虚拟样本；S3：训练GRNN模型，并根据预测误差更新换代虚拟样本；S4：生成针对原始小样本的扩充样本，混合扩充样本和原始小样本并估计其寿命分布；S5：计算每周次蠕变疲劳损伤，通过蒙特卡洛模拟获得随机总蠕变损伤和总疲劳损伤；S6：计算安全包络线的可信度，得到蠕变疲劳概率损伤评定图。本发明的方法，考虑实际寿命的分散性，获得具体的寿命分布特征，从而得到了随机的总蠕变疲劳损伤和安全设计包络线的可信度，实现了由确定性设计到不确定性设计的过渡。