[发明专利]一种基于机器学习的疲劳性能预测方法

说明书

本发明公开了一种基于机器学习的疲劳性能预测方法，首先收集材料数据形成初始样本数据，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，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，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。本发明利用更加全面的材料信息建立其与疲劳性能的非线性对应关系并应用于更高精度和泛化环境的疲劳性能预测中。

技术领域

本发明属于疲劳性能评估技术领域，尤其涉及一种基于机器学习的疲劳性能预测方法。

背景技术

在汽车、航空航天等工业领域中，疲劳失效是关键结构零件失效的主要模式。中国《机械工程手册》“结构疲劳强度设计”章节中指出：机械零构件80％以上为疲劳破坏。材料疲劳性能数据是产品研发的重要设计信息，然而材料耐久性试验的成本高、周期长(单条疲劳曲线测试周期为1个月以上，测试成本在10万人民币以上(不含材料费和加工费))。自1870年以来，金属材料疲劳强度与拉伸性能之间的联系被广泛探索，主要目的是利用测试成本较低的拉伸测试快速预测材料的疲劳强度，但是这种技术路线存在明显的缺陷。首先，拉伸变形的变形均匀性明显高于疲劳变形，事实上，大部分的疲劳变形源于局部缺陷或者应力集中，对于应力幅较小的疲劳变形尤为显著；其次，疲劳变形和拉伸变形的变形机理存在复杂关联，仅在特定情况下二者性能存在关联，一般需要用除拉伸性能外更多的参数来预测疲劳性能；第三，成分和工艺参数的改变对于拉伸性能和疲劳性能的影响以及影响程度不一定相同或相近。

随着计算机技术与数据分析技术的迅猛发展以及材料试验和仿真数据规模的高速增长，“材料信息学(Materials Informatics)”概念备受关注。其中，先进的现代数据分析统计和建模方法逐渐走入传统的材料研发领域，在降低开发成本、缩短开发周期等方面开始初显价值。探索一种基于材料基础信息(成分、工艺、硬度、组织等信息)并完全依托数据驱动的方法准确和快速地预估材料疲劳寿命，对于新材料研发、材料试验加速和工业产品的正向优化设计意义重大。

公开号为CN109855959A的专利公开了一种金属材料疲劳强度的预测方法，其实施步骤如下：1.选择同系列材料进行拉伸性能测试；2.疲劳性能测试；3.参数拟合：利用测得的拉伸与疲劳数据，求得材料的σ_y/σ_b与σ_w/σ_y值(注：σ_y是屈服强度，σ_b是抗拉强度，σ_w是疲劳强度)，然后以σ_y/σ_b值为横坐标、以σ_w/σ_y值为纵坐标绘制σ_w/σ_y—σ_y/σ_b关系图，并通过线性拟合求得参数ω与C(分别为斜率和截距)；4.通过待预测材料的拉伸性能确定材料的σy/σb值，通过所拟合的直线可进一步确定材料的σ_w/σ_y值，从而求得相应材料的疲劳强度σ_w预测值。该方法通过建立疲劳强度与屈服强度和拉伸强度之间的对应关系模型实现利用拉伸测试和少量疲劳测试预测同系列金属材料疲劳强度目的。然而，该技术仅仅建立了疲劳强度与拉伸性能的对应关系，且其关系模型采用最为简单的线性拟合，受制造工艺、宏观偏析、成分调整等因素影响，该方法往往不能得到令人满意的预测结果、模型的泛化能力也较差。

发明内容

为了解决现有技术中存在的不足，本发明提出了一种基于机器学习的疲劳性能预测方法，利用更加全面的材料信息建立其与疲劳性能的非线性对应关系并应用于更高精度和泛化环境的疲劳性能预测中。

本发明所采用的技术方案如下：

一种基于机器学习的疲劳性能预测方法，包括如下步骤，