基于缺陷特征與機器學習的增材制造鈦合金高周疲勞壽命預測
劉堯,，高祥熙，朱思銚,，何玉懷,，許巍*
中國航發(fā)北京航空材料研究院，北京100095
近年來,，增材制造技術不斷提升,，但增材制造件內部隨機分布的缺陷仍難以避免。微小缺陷對疲勞性能的影響難以通過傳統(tǒng)物理模型準確預測,。隨著缺陷特征復雜性和數據維度的增加,，依賴于物理公式的模型預測變得愈發(fā)困難，尤其針對考慮氣孔缺陷的增材制造材料高周疲勞壽命預測中，傳統(tǒng)模型的適用性顯著降低,。這種局限性迫切需要引入基于數據驅動的機器學習方法,，通過挖掘缺陷特征參數與疲勞性能間的潛在規(guī)律，為增材制造材料的疲勞壽命預測提供新的解決途徑,。本團隊在前期工作中,，利用機器學習模型AutoGluon并基于大量的高周疲勞實測數據，對TC17鈦合金的高周疲勞壽命進行了準確預測（見Engineering Fracture Mechanics, 2023, 289: 109485）,。然而,，針對增材制造材料，如何引入缺陷特征參數并基于有限數據實現相對準確的高周疲勞壽命預測仍是亟待解決的問題,。鑒于此,，本團隊利用增材制造鈦合金TA15的性能數據，進一步提出了一種基于機器學習并考慮缺陷特征參數的高周疲勞壽命預測方法,，顯著提升了疲勞壽命預測精度,，為工程應用提供了重要參考。本研究中的宏觀數據主要包括抗拉強度,、屈服強度,、斷口伸長率、斷面收縮等拉伸性能參數以及疲勞性能參數,；微觀數據則來源于氣孔缺陷疲勞源區(qū)提取的特征值,，包括缺陷面積、缺陷等效直徑,，以及缺陷距試樣邊緣的有效距離,。這些宏、微觀數據共同構建了機器學習的數據集,。本研究流程如圖1所示,。通過篩選與疲勞壽命高度相關的缺陷特征參數，構建包含這些特征參數的訓練集,，利用機器學習模型進行計算,，最終獲得疲勞壽命的預測結果。圖2展示了缺陷特征對模型預測精度的影響程度,。當訓練集中不含缺陷特征參數時,，機器學習模型對訓練集的預測結果中，至少10個數據點明顯超出±3倍誤差帶（見圖2（a））,。然而,，當訓練數據中引入缺陷特征參數后，僅有2個數據點超出±3倍誤差帶,，大部分預測結果分布在±2倍誤差帶以內（見圖2（b））,。預測結果表明：考慮缺陷特征參數的機器學習模型顯著提升了疲勞壽命預測精度,，且考慮缺陷特征的預測S-N曲線與試驗測得的S-N曲線的一致性良好（見圖3）。本研究建立的考慮缺陷特征參數的機器學習模型不但揭示了缺陷特征對疲勞性能的影響規(guī)律,，還顯著提高了疲勞壽命預測精度,，為考慮缺陷的疲勞壽命分析提供了新的研究途徑，尤其為增材制造材料的設計優(yōu)化與服役可靠性提升提供了技術支持,。上述研究發(fā)表在Engineering Fracture Mechanics, 2025, 314: 110676,。第一作者為航材院的劉堯博士，后續(xù)研究仍在開展中（許巍研究員）,。圖1 本研究中考慮缺陷特征的機器學習壽命預測方法流程圖
(b)
圖2 基于不同訓練集的預測結果對比：（a）無缺陷特征參數的訓練集預測結果；（b）包含缺陷特征參數的訓練集預測結果
圖3 考慮缺陷特征參數的預測S-N曲線與試驗測得S-N曲線的對比,，其中sd,、ssd、id分別表示表面缺陷（surface defect）,，亞表面缺陷（subsurface defect）以及內部缺陷（internal defect）
6
立即詢價
您提交后，專屬客服將第一時間為您服務