bevictor伟德官网

康国政教授团队在Int J Fatigue上发表基于机器学习的多轴疲劳寿命预测方法

来源:bevictor伟德官网杨敬业   日期:2022-06-06   点击:[]

背景简介

由于几何不连续性和环境扰动的影响,许多工程结构件通常都是在复杂且随机的多轴应力/应变状态下服役的。在诸如汽车、航空航天、桥梁、风力发电机等领域的疲劳设计中均需考虑复杂加载历史的影响。虽然现阶段的多轴疲劳寿命预测方法有了很大的发展,但当同时考虑随机、变幅的加载历史时,实现准确的寿命预测极具挑战性,至今仍为发展出一个可靠、鲁棒的解决方案。在目前的解决方案中,以多轴循环计数方法来简化复杂的加载历史时,加载历史的部分演化特征会不可避免地被遗漏,从而限制了最终的预测精度。

除了加载条件以外,在很多工程应用中也需要同时考虑环境因素对结构件疲劳寿命的影响。比如压力容器和燃气发动机通常都是变化的高温条件下服役的,在其疲劳设计中需要考虑多轴加载和温度变化对疲劳寿命协同影响。在最新的多轴热-机械疲劳寿命预测模型中,在构建的损伤参数中考虑了材料的本构响应,从而实现了较高的预测精度。然而,在实际工程应用中,通过实验测量获取材料在多轴热-机械载荷下的循环应力-应变响应往往比较困难,相应的结构仿真也需要极大的计算量,从而限制了这类模型的适用性。

因此,针对上述两类多轴疲劳寿命预测问题,本研究基于深度学习领域最新发展的自注意力机制,提出了一种新的能考虑复杂加载历史和变化温度的疲劳寿命预测方法,以实现“加载历史和环境因素-疲劳寿命”的端到端建模。

成果介绍

1)对于给定的材料系统,将其服役过程中的加载条件和环境因素特征集成在同一个矢量化的序列数据中,作为模型的输入(图1)。对于标量特征(如温度、腐蚀液浓度),可由单一通道表示;对于矢量特征(如多轴应力/应变状态),则需要用多个通道来描述其不同的分量。

1 矢量化加载条件和环境因素

2)提出了一种新的基于自注意力机制的疲劳寿命预测方法(图2),该方法采取“解码器-编码器”的架构,实现了“加载历史和环境因素-疲劳寿命”的端到端建模。在编码层中,通过自注意力机制去解析整个输入的序列数据中不同节点的相关性,以考虑整个加载历史中各时间点材料状态(加载条件和环境因素)的关联,在此基础上提取加载历史和环境条件中与疲劳寿命相关联的深层特征(context);在解码层中,使用全连接神经网络建立该特征与疲劳寿命之间的映射关系。

2 基于自注意力机制的疲劳寿命预测方法

3)以42CrMo4低碳钢的变幅、异步多轴疲劳案例(图3)来评估所提出方法对考虑复杂加载历史的多轴疲劳寿命预测的适用性。不同与传统的多轴循环计数方法需要将复杂的加载历史简化为一些确定的加载循环,所提出的方法直接解析未简化的原始加载历史,从而表现出明显的精度优势(图4)。结果表明:86%的预测结果位于1.5倍误差带以内,平均预测精度为1.24倍的误差。

3 变幅、异步多轴疲劳案例的加载模式

 

4变幅、异步多轴疲劳案例的预测结果

4)以GH4169镍基超合金的案例(图5)来评估所提出的方法对多轴热-机械疲劳寿命预测的适用性。结果表明:所提出的方法能较好考虑多轴载荷和变化温度之间的交互作用,81%的预测结果位于1.5倍误差带以内,平均预测精度为1.32倍误差(图6)。

所提出方法在运行逻辑上并没有对环境因素进行任何假设限制,因而可适用用于不同的多场耦合疲劳。本文仅验证了对多轴热-机械疲劳的适用性,对于其他的多场耦合场景的适用性需要进一步验证。

5 多轴热-机械疲劳案例的加载模式

6 多轴热-机械疲劳案例的预测结果

论文第一作者为博士生杨敬业,通讯作者为康国政,合作者为阚前华教授。该研究工作得到了国家自然科学基金重大项目(12192214; 12192210)的支持。近期,康国政教授团队在基于机器学习的疲劳寿命预测方面取得了系列进展,相关成果包括:

Yang J, Kang G, Kan Q. A novel deep learning approach of multiaxial fatigue life-prediction with a self-attention mechanism characterizing the effects of loading history and varying temperature. International Journal of Fatigue, 162(2022) 106851. https://doi.org/10.1016/j.ijfatigue.2022.106851.

Jingye Yang, Guozheng Kang, Yujie Liu, Qianhua Kan. A novel method of multiaxial fatigue life prediction based on deep learning. International Journal of Fatigue, 151 (2021) 106356. https://doi.org/10.1016/j.ijfatigue.2021.106356.

Jingye Yang, Guozheng Kang, Yujie Liu, Qianhua Kan. Life prediction for rate-dependent low-cycle fatigue of PA6 polymer considering ratchetting: Semi-empirical model and neural network based approach. International Journal of Fatigue 136 (2020) 105619. https://doi.org/10.1016/j.ijfatigue.2020.105619.

 

 

上一条:bevictor伟德官网第十四届“力学创新实验大赛”成功举行
下一条:2022届本科生升学表彰会暨努力讲坛第49期讲座顺利开展

关闭