麻豆京东水蜜桃果冻传媒

拨号18702200545
产物目录
展开

你的位置:首页 > 技术文章 > 【科研资讯】数据-物理模型驱动的超高周疲劳寿命预测方法

技术文章

【科研资讯】数据-物理模型驱动的超高周疲劳寿命预测方法

技术文章
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"“Data-driven approach to very high cycle fatigue life prediction"为题先后发表在Fatigue Fract. Eng. Mater. Struct. 2022; 45: 3393Int. J. Fatigue 2023; 176: 107917Eng. 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着提升预测准确度,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%94.3%(图2)。


图片


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
图片
2  叁种典型材料超高周疲劳寿命预测准确度比较


 

通讯作者介绍:


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,出版专着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,出版专着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。



联系我们

地址:天津市津南区泰康智达产业园 传真:86-022-87081028 贰尘补颈濒:蝉补濒别蝉蔼肠补谤别-尘肠.肠辞尘
24小时在线客服,为您服务!
麻豆京东水蜜桃果冻传媒
关注微信

扫一扫,关注微信

版权所有 © 2024 麻豆京东水蜜桃果冻传媒 技术支持: GoogleSitemap

在线咨询
蚕蚕客服
QQ:2198388433
电话咨询
02287081028
关注微信