[发明专利]一种基于机器学习的蠕变疲劳寿命预测方法

说明书

本发明提供了一种基于机器学习的蠕变疲劳寿命预测方法，包括：获取待预测的蠕变疲劳寿命数据组，分为训练集和测试集，每一个蠕变疲劳寿命数据组均包括实验蠕变疲劳工况参数、中间计算参数和相对应的蠕变疲劳对数寿命；提供ELM模型，利用训练集中的数据通过粒子群优化算法得到ELM模型的最优权重矩阵、最优偏置向量，进而得到蠕变疲劳寿命预测模型；根据测试集中的蠕变疲劳寿命数据组对所述蠕变疲劳寿命预测模型的精度进行验证。本发明弥补了传统方法在预测蠕变疲劳寿命时精度低、成本高的不足，可充分利用变异PSO算法优化ELM模型权重矩阵和偏置向量的优势，具有误差小、成本低、效率高的优点。

技术领域

本发明涉及一种基于机器学习的蠕变疲劳寿命预测方法，属于材料寿命预测领域。

背景技术

现代超超临界发电机组、燃气机、航空发动机等设备的工作环境越来越复杂。除了装置稳态运行的恒定负荷外，关键的限寿部件还承受着装置启停和温度波动等因素引起的交变载荷作用。其服役过程伴随着严重的蠕变-疲劳相互作用，这对构件寿命设计和预测方法提出了新的挑战。

虽然高温合金的蠕变疲劳寿命可以通过实验方法确定，但由于长期蠕变试验和昂贵合金制造，需要大量的时间成本和实验成本。尽管目前存在几种加速预测合金蠕变疲劳寿命的理论方法，如时间-温度参数法，但其缺乏严格的理论依据，且没有充分考虑蠕变疲劳过程中的微观组织演化信息。

近年来，数据驱动的机器学习方法已成功应用于材料性能预测、新材料发现或其他目的中，并在时间效率和预测性能方面具有显著的优势。基于此，期望获得一种新的蠕变疲劳寿命预测方法，以较高的计算效率和较低的时间成本，较为准确地预测高温合金的蠕变疲劳寿命。

发明内容

本发明的目的在于提供一种基于机器学习的蠕变疲劳寿命预测方法，以实现误差小、成本低、效率高的优点。

为了实现上述目的，本发明提供一种基于机器学习的蠕变疲劳寿命预测方法，包括：

S1：获取待预测的蠕变疲劳寿命数据组，将其随机分为70％的训练集和30％的测试集，每一个蠕变疲劳寿命数据组均包括实验蠕变疲劳工况参数、中间计算参数和相对应的蠕变疲劳对数寿命；

S2：提供一ELM模型，利用训练集中的数据通过粒子群优化算法得到ELM模型的最优权重矩阵、最优偏置向量，进而得到形式为PSO-ELM模型的蠕变疲劳寿命预测模型；

S3：根据测试集中的蠕变疲劳寿命数据组对所述蠕变疲劳寿命预测模型的精度进行验证。

所述步骤S1的实验蠕变疲劳工况参数包括总应变范围、拉伸保载时间和压缩保载时间和应变速率；中间计算参数包括总应力幅、非弹性应变率和非弹性应变能密度范围。

所述步骤S2包括：

S21：设置PSO-ELM模型的参数，具体包括：将PSO-ELM模型的输入层的神经元个数设置为与实验蠕变疲劳工况参数和中间计算参数的总类别数相同，其输出层的神经元个数设置为1；通过试参法确定其隐藏层的神经元的个数；设置粒子群优化算法的最大迭代次数和粒子的种群规模；随机初始化粒子的位置和速度；

S22：将训练集中的实验蠕变疲劳工况参数和中间计算参数共同作为输入数据，将训练集中的相对应的蠕变疲劳对数寿命作为输出数据；对输入数据和输出数据均进行归一化操作；

S23：利用归一化后的输入数据和输出数据对ELM模型进行训练，并根据训练结果来计算粒子的适应度值，粒子的适应度值为蠕变疲劳对数寿命的预测值与蠕变疲劳对数寿命的均方根误差，并通过粒子群优化算法确定所有粒子的全局极值，将粒子的全局极值所对应的位置作为所述最优权重矩阵和最优偏置向量；

S24：将所述最优权重矩阵设置为所述ELM模型的权重矩阵，将所述最优偏置向量设置为所述ELM模型的偏置向量，进而得到蠕变疲劳寿命预测模型。