[发明专利]一种基于机器学习的疲劳性能预测方法

权利要求书

1.一种基于机器学习的疲劳性能预测方法，其特征在于，收集材料数据，所述材料数据包括材料成分、显微组织参数、热处理工艺参数、加工工艺参数、材料力学性能和材料物理性能的相关数据形成初始样本数据，表示为S＝{(x₁，y₁)；(x₂，y₂)；…(x_n，y_n)}，x_i为第i组样本的特征变量，i＝1，2，...，n；y_i为为第i组试样在10⁶循环寿命下的疲劳强度，且x_i作为机器学习的输入向量，y_i作为机器学习的输出向量；并对样本数据进行归一化处理；

采用Sobol全局灵敏度分析方法评估各特征变量对输出变量方差的贡献度，通过方差分析得出各个特征变量的变化对标签变量方差的贡献量；对特征变量的重要性进行排序，进而筛选出关键特征变量，形成训练样本数据；

将训练样本数据划分为训练集、验证集和测试集用于训练模型；基于训练集与验证集数据进行模型训练学习，获取对应模型参数，输出基于现有训练集/验证集学习训练的模型，采用决定系数R²来定量评估模型预测表现，完成模型的建立，利用训练好的模型进行疲劳性能预测。

2.根据权利要求1所述的一种基于机器学习的疲劳性能预测方法，其特征在于，所述初始样本数据中的特征变量x_i的维度v为13，分别为C、Si、Mn、P、S、Cr、Ni和Cu这8种元素的重量百分含量、屈服强度、抗拉强度、延伸率、断面收缩率和布氏硬度。

3.根据权利要求1所述的一种基于机器学习的疲劳性能预测方法，其特征在于，采用极差变换法对样本数据中的特征值进行归一化处理，表示为：

其中，x_i,j为第i组样本中第j个特征归一化后的值，和分别为所有样本数据中第j个特征的最小值和最大值。

4.根据权利要求1所述的一种基于机器学习的疲劳性能预测方法，其特征在于，采用主成分分析法对归一化后的样本数据进行核主成分分析，将初始样本数据中的特征变量矩阵从低维空间映射到高维线性空间实现非线性数的线性化，压缩并去除数据中部分冗余的噪声信息。

5.根据权利要求4所述的一种基于机器学习的疲劳性能预测方法，其特征在于，通过RBF核函数将现有的特征变量矩阵从低维空间映射到高维线性空间实现非线性数的线性化：

RBF核函数：

其中，核参数σ是提前预定义的实数,x_i和x_j为归一化后的第i组和第j组的样本数据。

6.根据权利要求1-5中任意一项权利要求所述的一种基于机器学习的疲劳性能预测方法，其特征在于，通过Sobol采样在给定的特征变量分析空间生成大量的样本，分析出与10⁶循环寿命下的疲劳强度密切相关的特征变量，根据计算机的计算能力确定样本量，推荐值为10^v，v为特征变量的总数。

7.根据权利要求6所述的一种基于机器学习的疲劳性能预测方法，其特征在于，所述模型选用BP神经网络模型，两层前馈网络包含S型隐藏神经元和线性输出神经元，适用于解决多维映射问题；设置隐藏神经元数量为10，对训练集与验证集数据进行训练学习，获取对应模型参数，输出基于现有训练集/验证集学习训练的NNF模型。

8.根据权利要求7所述的一种基于机器学习的疲劳性能预测方法，其特征在于，所述模型选用线性回归、精细树、二次支持向量机回归或有理二次高斯过程回归。