一种数据驱动的工程材料超高周疲劳寿命预测方法

摘要

公开了一种数据驱动的工程材料超高周疲劳寿命预测方法。首先搜集工程材料信息及超高周疲劳数据形成初始样本数据，并将数据分为测试集和训练集；其次根据已有的物理模型评估各输入特征变量对输出变量的贡献度，并对特征变量的重要性进行排序，进而筛选出关键特征变量并形成数据驱动模型的目标函数；接着将目标函数嵌入机器学习算法运算得到中间计算值Z，并采用决定系数R2来评估数据驱动模型的预测精度；最后将训练集Z值与疲劳寿命进行关联实现工程材料的超高周疲劳寿命预测。本发明将工程材料超高周疲劳寿命的主要影响因素与数据驱动算法结合起来，可快速有效地对工程材料的超高周疲劳寿命进行预测，在焊缝等含缺陷材料中得到了很好的实施效果。

说明书

技术领域

本发明属于材料寿命评估技术领域，涉及一种数据驱动的工程材料超高周疲劳寿命预测方法。

背景技术

近年来，许多工程装备表现出长寿命服役的新趋势，某些部件承受的循环载荷会超过10

最近，数据驱动的方法已成功应用于材料性能预测，并在预测精度和效率方面具有显著的优势。探索一种基于材料基础信息和服役工况(材料缺陷、载荷、温度和应力比)并完全依托数据驱动准确和快速地预估材料疲劳寿命，对于指导工程装备结构强度和寿命设计意义重大。

目前有关工程材料的超高周疲劳寿命预测的理论模型很少，朱明亮等在前人基础上提出了一种基于应力水平，缺陷尺寸和缺陷位置因素的超高周疲劳寿命预测模型(Z参数模型)[朱明亮等.一种超高周疲劳寿命预测的新模型，中国科技论文在线精品论文，2012.]，该模型虽在一定范围内适用，但仍有它的局限性。鉴于当下先进的人工智能技术，可以将Z参数理论模型和人工智能算法融合，依托数据驱动快速建立工程材料的超高周疲劳寿命预测模型。

发明内容

为了解决现有技术中存在的不足，本发明提出了一种数据驱动的工程材料超高周疲劳寿命预测方法，具体来说，利用更加全面的材料及工况信息借助数据驱动方法对工程材料的超高周疲劳寿命进行预测。

本发明采用的技术方案如下：

一种数据驱动的工程材料超高周疲劳寿命预测方法，包括：

步骤S1：搜集工程材料的材料信息及超高周疲劳寿命数据分别作为测试集和训练集，将其进行十折交叉验证；所述十折交叉验证为将数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，将10次试验所得到的测试集与训练集对比所得到的R

步骤S2：对所述疲劳寿命数据组提取特征变量，根据所述物理模型评估各特征变量作为输入变量时对疲劳寿命的贡献度，并对各输入特征变量的重要性进行排序，进而筛选出关键特征变量作为输入变量，对应所述输入变量形成数据驱动模型目标函数Z

步骤S3：将通过不同模型获得的中间计算值的进行关联并拟合，利用决定系数R

进一步地，步骤S1中的所述收集焊接结构材料的超高周疲劳寿命数据为从已有文献中搜集到的材料信息及对应的超高周疲劳寿命数据；在步骤S3中当R

进一步地，采用步骤S1中所搜集材料的超高周疲劳寿命数据作为测试集和训练集，或者重新搜集材料的超高周疲劳寿命数据作为测试集和训练集；在步骤S3之后还包括步骤S4：将所述训练集输入至机器学习算法中对所述数据驱动模型目标函数Z

进一步地，在对所述数据驱动模型目标函数Z

进一步地，步骤S1中的所述材料缺陷的几何特征为缺陷投影面积的平方根和缺陷的相对位置；所述疲劳试验工况参数为试验温度、试棒直径、应力幅和应力比。

进一步地，所述缺陷投影面积是运用图像分析软件从疲劳断口扫描电镜照片上测量缺陷的横截面面积。

进一步地，所述缺陷的相对位置用D表示，其计算公式为：D＝(d-d

进一步地，步骤S1中的物理模型用Z表示，计算公式为：Z＝σ

进一步地，步骤S2中的数据驱动模型目标函数为

进一步地，步骤S2中将数据驱动模型目标函数Z

本发明采用的有益效果：

首次，建模所需数据完全从文献中获取，利用更加全面的材料及工况信息借助数据驱动方法建立模型对工程材料的超高周疲劳寿命进行预测，无需测试，成本低，省时、省力。

其次，将已有的理论模型与机器学习模型进行数据融合驱动，并采用决定系数R

最后，该方法很容易推广应用至工程材料的力学性能预测，尤其适合焊接材料的超高周疲劳寿命预测。

附图说明

下面结合附图，通过对本申请的具体实施方式详细描述，呈现本申请的技术方案及其它有益效果。

图1为本申请中利用数据驱动方法训练中间计算Z值框图。

图2为本申请中焊接结构材料疲劳断口表面缺陷几何特征示意图。

图3为本申请中两种途径下的中间计算Z值的关联结果。

图4为本申请中训练集Z值与疲劳寿命关联的结果。

具体实施方式

本发明以25Cr2Ni2MoV钢、Ti6Al4V合金以及AlMgSi合金焊接接头为例，借助数据驱动方法进行超高周疲劳寿命预测，如图1-图4，具体实施步骤如下：

步骤S1：搜集焊接结构的材料信息及超高周疲劳寿命数据分别作为测试集和训练集，将其进行十折交叉验证；所述十折交叉验证为将数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，将10次试验所得到的测试集与训练集对比所得到的R

步骤S2：对所述疲劳寿命数据组提取特征变量，根据所述物理模型评估各特征变量作为输入变量时对疲劳寿命的贡献度，并对各输入特征变量的重要性进行排序，进而筛选出关键特征变量作为输入变量，对应所述输入变量形成数据驱动模型目标函数Z

步骤S3：将通过不同模型获得的中间计算值的进行关联并拟合，利用决定系数R

本实施例中，步骤S1中的所述搜集焊接结构材料的超高周疲劳寿命数据为从已有文献中搜集到的焊接结构的材料信息及对应的超高周疲劳寿命数据；在步骤S3中当R

本实施例中，采用步骤S1中所搜集焊接结构材料的超高周疲劳寿命数据作为测试集和训练集，或者重新搜集焊接结构材料的超高周疲劳寿命数据作为测试集和训练集；其中采用步骤S1中所搜集焊接结构材料的超高周疲劳寿命数据作为训练集时可减少数据收集时间，方便处理；而重新搜集焊接结构材料的超高周疲劳寿命数据作为训练集，则可通过不同的数据搜集方式验证数据驱动模型目标函数Z

在步骤S3之后还包括步骤S4：将所述训练集输入至嵌入目标函数的机器学习算法中对所述数据驱动模型目标函数Z

可理解的是，也可利用所述测试集和训练集对所述数据驱动模型目标函数Z

本实施例中，在对所述数据驱动模型目标函数Z

本实施例中，步骤S1中的所述材料缺陷的几何特征为缺陷投影面积的平方根和缺陷的相对位置；所述疲劳试验工况参数为试验温度、试棒直径、应力幅和应力比。

本实施例中，借助图像分析软件(Image Plus Pro)从疲劳断口扫描电镜照片上测量缺陷的几何特征尺寸；所述缺陷投影面积是运用图像分析方式从疲劳断口扫描电镜照片上测量缺陷的横截面面积。

本实施例中，所述缺陷的相对位置用D表示，其计算公式为：D＝(d-d

本实施例中，步骤S1中的物理模型用Z

本实施例中，步骤S2中的数据驱动模型目标函数为

本实施例中，步骤S2中将数据驱动模型目标函数Z

本实施例中，步骤S2中将物理模型Z

1.目标：寻找一个超平面，使得离超平面比较近的点有最大的间距

其中，

2.简化模型：根据函数距离和几何距离可以得知，w和b增加时候，几何距离不变，故通过同倍数增加w和b使的支持向量(距离超平面最近的样本点)上样本代入y(w*x+b)＝1，而不影响上面公式的优化，使样本点距离：y(w·x+b)>＝1，把此条件代入上面优化公式后，可以获取新的优化公式：

s.t. y

优化最大化分数，转化为优化最小化分母，为了优化方便转化为：

s.t. y

使用拉格朗日公式和KTT条件优化公式转化为：

3.构造并求解约束最优化问题：

计算

4.求得分离超平面

w

5.目标分类决策函数为

f(x)＝sign(w

其中，

本实施例基于MATLAB软件平台，将原始的超高周疲劳寿命数据组随机分为测试集和训练集，利用训练集对SVM模型进行训练，随后将测试集的输入数据输入到训练完成后的SVM模型，得到相对应的预测值，将预测值与测试集的对数输出值进行比较，验证SVM模型的精度。

本申请将中间计算值Z

本发明采用的有益效果为：首次，建模所需数据完全从文献中获取，利用更加全面的材料及工况信息借助数据驱动方法建立模型对工程材料的超高周疲劳寿命进行预测，无需测试，成本低，省时、省力。其次，将已有的理论模型与机器学习模型进行数据融合驱动，并采用决定系数R

以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例的技术方案的范围。