CN111523268A - 一种基于机器学习的材料抗疲劳优化设计方法 - Google Patents

一种基于机器学习的材料抗疲劳优化设计方法 Download PDF

Info

Publication number
CN111523268A
CN111523268A CN202010321360.7A CN202010321360A CN111523268A CN 111523268 A CN111523268 A CN 111523268A CN 202010321360 A CN202010321360 A CN 202010321360A CN 111523268 A CN111523268 A CN 111523268A
Authority
CN
China
Prior art keywords
stress
machine learning
strain
macroscopic
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010321360.7A
Other languages
English (en)
Other versions
CN111523268B (zh
Inventor
张宏
王清远
刘永杰
王宠
何超
李浪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202010321360.7A priority Critical patent/CN111523268B/zh
Publication of CN111523268A publication Critical patent/CN111523268A/zh
Application granted granted Critical
Publication of CN111523268B publication Critical patent/CN111523268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种本发明提供的基于机器学习的材料抗疲劳优化设计方法是基于机器学习理论进行数据间相关性与影响关系分析，从数据的角度进行材料抗疲劳与结构设计优化，首先通过设计试验获取机器学习时所需的原始试验数据；然后基于有限元进行试验过程分析获得试验过程的各种详细数据，丰富数据类型和数量；最后基于试验与计算的输入与输出数据类型构建适合抗疲劳设计的机器学习算法，并最终应用到材料抗疲劳设计与结构设计优化中。因此，可以说本发明所提出的方法可以实现材料抗疲劳与结构优化设计的工程应用需要。

Description

一种基于机器学习的材料抗疲劳优化设计方法
技术领域
本发明属于抗疲劳设计方法技术领域，具体涉及一种基于机器学习的材料抗疲劳优化设计方法。
背景技术
抗疲劳设计方法，名义应力法，也称S-N法，表示名义应力或幅值与失效循环次数之间的关系，通常情况下我们通过试验零件测得材料的S-N曲线，对于一种特定的材料，其中S-N曲线是一定的，在实际设计中，我们考虑危险点的应力集中系数，得到零件的寿命。目前，材料的抗疲劳设计与结构优化都是依靠现有的经验进行的，存在一定的局限性和主观性，尤其是面对新材料。新工艺和新需求时，现有的技术流程已无法满足，主要表现为以下几个方面：
1)目前抗疲劳设计方法没有考虑材料的属性，即材料在发生变形时的本构关系；
2)目前抗疲劳设计没有考虑加载条件，即材料失效过程的载荷历史过程；
3)目前抗疲劳设计方法没有考虑结构优化设计，即只是从材料性角度出发进行抗疲劳设计。
因此，急需一种技术数据本身而又有一定理论技术的抗疲劳与结构优化设计方法。
发明内容
针对现有技术中的上述不足，本发明提供的基于机器学习的材料抗疲劳优化设计方法解决了现有的材料抗疲劳设计中没有考虑数据间相关影响关系，存在一定的局限性和主观性的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于机器学习的材料抗疲劳优化设计方法，包括以下步骤：
S1、确定用于机器学习的材料的基础数据；
S2、根据获取的基础数据，通过有限元计算方法计算材料在不同载荷和工况条件下应力及应变数据；
S3、基于材料的基础数据和计算的应力及应变数据进行机器学习，确定数据间的相关性并预测材料宏观性能，并根据其进行材料抗疲劳设计。
进一步地，所述步骤S1中，材料的基础数据包括材料微观类型、材料载荷条件和材料属性；
所述材料微观类型包括晶体类型、滑移、位错和晶体尺寸；
所述材料载荷条件包括位移、应力和温度；
所述材料属性包括弹性模量、泊松比、密度、力学属性和热学属性；其中，力学属性包括应力-应变，屈服应力、抗拉应力和硬化系数，热学属性包括热导率和比热。
进一步地，所述步骤S2具体为：
S21、构建当前载荷和工况条件下代表体积单元的材料疲劳过程的晶体塑性本构模型；
S22、定义变形梯度，并根据变形梯度计算刚度矩阵及其特征值和特征矢量；
S23、根据刚度矩阵及其特征值和特征矢量计算晶体塑性本构模型的应力及应变数据；
所述晶体塑性本构模型的应力及应变数据包括宏观应变、宏观应力、微观剪切应变和微观应力。
进一步地，所述步骤S22中，定义的变形梯度为
Figure BDA0002461549910000021
所述变形梯度
Figure BDA0002461549910000022
的刚度矩阵
Figure BDA0002461549910000023
为：
Figure BDA0002461549910000031
所述刚度矩阵
Figure BDA0002461549910000032
的特征值为{a1,a2,a3}；
所述刚度矩阵的特征矢量为{N1,N2,N3}。
进一步地，所述步骤S23中；
所述宏观应变ε为：
Figure BDA0002461549910000033
式中，Δli为材料在坐标方向参数i上晶体塑性本构模型的变形增量；
li为材料在坐标方向参数i上晶体塑性本构模型的原始尺寸；
所述宏观应力σa为：
Figure BDA0002461549910000034
式中，E为弹性模量；
所述微观剪切应变Δτα为：
Figure BDA0002461549910000035
式中，Δε为宏观应变增量；
N为刚度矩阵的特征矢量数量；
Pα为滑移系法向与滑移方向叉乘的反比例系数；
Figure BDA0002461549910000037
为剪切应变速率是硬化参数的反比例函数；
所述微观应力σb为：
Figure BDA0002461549910000036
式中，μ为材料的泊松比；
上标α为滑移系数量。
进一步地，所述步骤S3具体为：
S31、构建输入参数与输出参数的函数关系式；
S32、将输入参数和输出参数代入构建的输入参数与输出参数的函数关系式中，并按照目标函数进行机器学习，输出输入参数和输出参数间的相关性并预测得到的材料宏观性能。
进一步地，所述步骤S31中：
所述输入参数为材料的基础数据，所述输出参数为计算得到的应力及应变数据、材料在微观尺度的滑移和晶粒信息作为输出参数。
进一步地，所述步骤S31中，输入参数与输出参数的函数关系式为：
Figure BDA0002461549910000041
式中，St为输入参数函数；
at为输出参数函数；
m为计算输入与输出函数时的迭代次数；
下标t为输出或输入的统计参数；
其中，输入参数函数St为：
Figure BDA0002461549910000042
式中，
Figure BDA0002461549910000043
为第m次迭代时的输入参数函数。
进一步地，所述步骤S32中的目标函数为：
Figure BDA0002461549910000044
式中，
Figure BDA0002461549910000045
为输入函数；
k为计算目标函数时的迭代次数；
α,β分别为x和y方向上的特征矢量值；
Nl和Ns分别表示目标函数是沿着x轴和y轴方向制定。
进一步地，所述步骤S3中预测的材料宏观性能包括宏观应力、宏观应变以及材料温度。
本发明的有益效果为：
本发明提供的基于机器学习的材料抗疲劳优化设计方法是基于机器学习理论进行数据间相关性与影响关系分析，从数据的角度进行材料抗疲劳与结构设计优化，首先通过设计试验获取机器学习时所需的原始试验数据；然后基于有限元进行试验过程分析获得试验过程的各种详细数据，丰富数据类型和数量；最后基于试验与计算的输入与输出数据类型构建适合抗疲劳设计的机器学习算法，并最终应用到材料抗疲劳设计与结构设计优化中。因此，可以说本发明所提出的方法可以实现材料抗疲劳与结构优化设计的工程应用需要。
附图说明
图1为本发明提供的基于机器学习的材料抗疲劳优化设计方法流程图。
图2为本发明提供的实施例中等效塑性应变有限元计算结果示意图。
图3为本发明提供的实施例中基于试验和有限元计算结果等效塑性应变机器学习结果示意图。
图4为本发明提供的实施例中基于试验与有限元计算结果等效塑性应变机器学习优化结果示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于机器学习的材料抗疲劳优化设计方法，包括以下步骤：
S1、确定用于机器学习的材料的基础数据；
S2、根据获取的基础数据，通过有限元计算方法计算材料在不同载荷和工况条件下应力及应变数据；
S3、基于材料的基础数据和计算的应力及应变数据进行机器学习，确定数据间的相关性并预测材料宏观性能，并根据其进行材料抗疲劳设计。
上述步骤S1中，材料的基础数据包括材料微观类型、材料载荷条件和材料属性；
所述材料微观类型包括晶体类型、滑移、位错和晶体尺寸，通过试验和计算获得；
所述材料载荷条件包括位移、应力和温度，通过计算获得；
所述材料属性包括弹性模量、泊松比、密度、力学属性和热学属性；其中，力学属性包括应力-应变，屈服应力、抗拉应力和硬化系数，热学属性包括热导率和比热，这些数据为材料的自身属性，材料确定对应数据就能确定。
上述步骤S2主要是基于有限元方法来计算步骤S1的试验中无法获得的过程结果，包括应力、应变和温度等物理结果，其具体计算过程为：
S21、构建当前载荷和工况条件下代表体积单元的材料疲劳过程的晶体塑性本构模型；
S22、定义变形梯度，并根据变形梯度计算刚度矩阵及其特征值和特征矢量；
其中，定义的变形梯度为
Figure BDA0002461549910000061
变形梯度
Figure BDA0002461549910000062
的刚度矩阵
Figure BDA0002461549910000063
为：
Figure BDA0002461549910000064
刚度矩阵
Figure BDA0002461549910000071
的特征值为{a1,a2,a3}；
刚度矩阵的特征矢量为{N1,N2,N3}。
S23、根据刚度矩阵及其特征值和特征矢量计算晶体塑性本构模型的应力及应变数据；
其中，晶体塑性本构模型的应力及应变数据包括宏观应变、宏观应力、微观剪切应变和微观应力；具体地，宏观应变ε为：
Figure BDA0002461549910000072
式中，Δli为材料在坐标方向参数i上晶体塑性本构模型的变形增量；
li为材料在坐标方向参数i上晶体塑性本构模型的原始尺寸；
宏观应力σa为：
Figure BDA0002461549910000073
式中，E为弹性模量；
微观剪切应变Δτα为：
Figure BDA0002461549910000074
式中，Δε为宏观应变增量；
N为刚度矩阵的特征矢量数量；
Pα为滑移系法向与滑移方向叉乘的反比例系数；
Figure BDA0002461549910000076
为剪切应变速率是硬化参数的反比例函数；
微观应力σb为：
Figure BDA0002461549910000075
式中，μ为材料的泊松比；
上标α为滑移系数量。
上述步骤S2中，通过有限元计算获得代表体积单元本构模型在不同载荷和工况条件下的力学响应，获得宏观和微观应力应变等值，并能得到经过变形后材料微观结构的演化参数，包括晶粒信息和滑移系信息；
上述步骤S3具体为：
S31、构建输入参数与输出参数的函数关系式；
其中，输入参数为材料的基础数据，所述输出参数为计算得到的应力及应变数据、材料在微观尺度的滑移和晶粒信息作为输出参数，其中材料在微观尺度的滑移和晶粒信息就是一个能够根据输入参数得到一个具体数值，不用经过复杂的计算；
具体地，输入参数与输出参数的函数关系式为：
Figure BDA0002461549910000081
式中，St为输入参数函数；
at为输出参数函数；
m为计算输入与输出函数时的迭代次数；
下标t为输出或输入的统计参数；
其中，输入参数函数St为：
Figure BDA0002461549910000082
式中，
Figure BDA0002461549910000083
为第m次迭代时的输入参数函数。
S32、将输入参数和输出参数代入构建的输入参数与输出参数的函数关系式中，并按照目标函数进行机器学习，输出输入参数和输出参数间的相关性及预测得到的材料宏观性能；
其中，所述步骤S32中的目标函数为：
Figure BDA0002461549910000091
式中，
Figure BDA0002461549910000092
为输入函数；
k为计算目标函数时的迭代次数；
α,β分别为x和y方向上的特征矢量值；
Nl和Ns分别表示目标函数是沿着x轴和y轴方向制定。
上述步骤S3中预测的材料宏观性能包括宏观应力、宏观应变以及材料温度。
在本发明的一个实施例中，提供了对本发明方法具体应用的实例，目的是将方法模型具体化和实例化：
图2中展示了等效塑性应变的有限元计算结果，图3展示了基于试验获取材料属性数据与有限元计算结果应用到机器学习的结果；图4为基于试验与有限元计算结果等效塑性应变机器学习的优化结果；从图2-4中的计算结果可以看出，利用本发明方法可以得到与有限元计算一致的结果，并且还可以根据几何形状进行材料抗疲劳的结构优化设计，获得材料抗疲劳与结构优化设计的计算结果，达到了与其的目的。
本发明的有益效果为：
本发明提供的基于机器学习的材料抗疲劳优化设计方法是基于机器学习理论进行数据间相关性与影响关系分析，从数据的角度进行材料抗疲劳与结构设计优化，首先通过设计试验获取机器学习时所需的原始试验数据；然后基于有限元进行试验过程分析获得试验过程的各种详细数据，丰富数据类型和数量；最后基于试验与计算的输入与输出数据类型构建适合抗疲劳设计的机器学习算法，并最终应用到材料抗疲劳设计与结构设计优化中。因此，可以说本发明所提出的方法可以实现材料抗疲劳与结构优化设计的工程应用需要。

Claims (10)

1.一种基于机器学习的材料抗疲劳优化设计方法，其特征在于，包括以下步骤：
S1、确定用于机器学习的材料的基础数据；
S2、根据获取的基础数据，通过有限元计算方法计算材料在不同载荷和工况条件下应力及应变数据；
S3、基于材料的基础数据和计算的应力及应变数据进行机器学习，确定数据间的相关性并预测材料宏观性能，并根据其进行材料抗疲劳设计。
2.根据权利要求1所述的基于机器学习的材料抗疲劳优化设计方法，其特征在于，所述步骤S1中，材料的基础数据包括材料微观类型、材料载荷条件和材料属性；
所述材料微观类型包括晶体类型、滑移、位错和晶体尺寸；
所述材料载荷条件包括位移、应力和温度；
所述材料属性包括弹性模量、泊松比、密度、力学属性和热学属性；其中，力学属性包括应力-应变，屈服应力、抗拉应力和硬化系数，热学属性包括热导率和比热。
3.根据权利要求1所述的基于机器学习的材料抗疲劳优化设计方法，其特征在于，所述步骤S2具体为：
S21、构建当前载荷和工况条件下代表体积单元的材料疲劳过程的晶体塑性本构模型；
S22、定义变形梯度，并根据变形梯度计算刚度矩阵及其特征值和特征矢量；
S23、根据刚度矩阵及其特征值和特征矢量计算晶体塑性本构模型的应力及应变数据；
所述晶体塑性本构模型的应力及应变数据包括宏观应变、宏观应力、微观剪切应变和微观应力。
4.根据权利要求3所述的基于机器学习的材料抗疲劳优化设计方法，其特征在于，所述步骤S22中，定义的变形梯度为
Figure FDA0002461549900000021
所述变形梯度
Figure FDA0002461549900000022
的刚度矩阵
Figure FDA0002461549900000023
为：
Figure FDA0002461549900000024
所述刚度矩阵
Figure FDA0002461549900000025
的特征值为{a1,a2,a3}；
所述刚度矩阵的特征矢量为{N1,N2,N3}。
5.根据权利要求4所述的基于机器学习的材料抗疲劳优化设计方法，其特征在于，所述步骤S23中；
所述宏观应变ε为：
Figure FDA0002461549900000026
式中，Δli为材料在坐标方向参数i上晶体塑性本构模型的变形增量；
li为材料在坐标方向参数i上晶体塑性本构模型的原始尺寸；
所述宏观应力σa为：
Figure FDA0002461549900000027
式中，E为弹性模量；
所述微观剪切应变Δτα为：
Figure FDA0002461549900000028
式中，Δε为宏观应变增量；
N为刚度矩阵的特征矢量数量；
Pα为滑移系法向与滑移方向叉乘的反比例系数；
Figure FDA0002461549900000029
为剪切应变速率是硬化参数的反比例函数；
所述微观应力σb为：
Figure FDA0002461549900000031
式中，μ为材料的泊松比；
上标α为滑移系数量。
6.根据权利要求2所述的基于机器学习的材料抗疲劳优化设计方法，其特征在于，所述步骤S3具体为：
S31、构建输入参数与输出参数的函数关系式；
S32、将输入参数和输出参数代入构建的输入参数与输出参数的函数关系式中，并按照目标函数进行机器学习，输出输入参数和输出参数间的相关性并预测得到的材料宏观性能。
7.根据权利要求6所述的基于机器学习的材料抗疲劳优化设计方法，其特征在于，所述步骤S31中：
所述输入参数为材料的基础数据，所述输出参数为计算得到的应力及应变数据、材料在微观尺度的滑移和晶粒信息作为输出参数。
8.根据权利要求6所述的基于机器学习的材料抗疲劳优化设计方法，其特征在于，所述步骤S31中，输入参数与输出参数的函数关系式为：
Figure FDA0002461549900000032
式中，St为输入参数函数；
at为输出参数函数；
m为计算输入与输出函数时的迭代次数；
下标t为输出或输入的统计参数；
其中，输入参数函数St为：
Figure FDA0002461549900000041
式中，
Figure FDA0002461549900000042
为第m次迭代时的输入参数函数。
9.根据权利要求6所述的基于机器学习的材料抗疲劳优化设计方法，其特征在于，所述步骤S32中的目标函数为：
Figure FDA0002461549900000043
式中，
Figure FDA0002461549900000044
为输入函数；
k为计算目标函数时的迭代次数；
α,β分别为x和y方向上的特征矢量值；
Nl和Ns分别表示目标函数是沿着x轴和y轴方向制定。
10.根据权利要求1所述的基于机器学习的材料抗疲劳优化设计方法，其特征在于，所述步骤S3中预测的材料宏观性能包括宏观应力、宏观应变以及材料温度。
CN202010321360.7A 2020-04-22 2020-04-22 一种基于机器学习的材料抗疲劳优化设计方法 Active CN111523268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010321360.7A CN111523268B (zh) 2020-04-22 2020-04-22 一种基于机器学习的材料抗疲劳优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010321360.7A CN111523268B (zh) 2020-04-22 2020-04-22 一种基于机器学习的材料抗疲劳优化设计方法

Publications (2)

Publication Number Publication Date
CN111523268A true CN111523268A (zh) 2020-08-11
CN111523268B CN111523268B (zh) 2021-06-01

Family

ID=71903727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010321360.7A Active CN111523268B (zh) 2020-04-22 2020-04-22 一种基于机器学习的材料抗疲劳优化设计方法

Country Status (1)

Country Link
CN (1) CN111523268B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632724A (zh) * 2020-12-23 2021-04-09 广东省科学院中乌焊接研究所 金属增材制造工艺系统试验设计与结构化数据采集方法
CN113270157A (zh) * 2021-05-20 2021-08-17 兰州大学 一种基于机器学习的力学超材料设计与优化方法
CN115238579A (zh) * 2022-07-21 2022-10-25 中国核动力研究设计院 基于物理指引下机器学习算法的本构模型构建方法及装置
CN117558380A (zh) * 2024-01-10 2024-02-13 中国科学院深圳先进技术研究院 基于人工智能算法的磁性微纳材料高通量制备方法及系统
CN117558381A (zh) * 2024-01-12 2024-02-13 四川大学 一种金属材料温度与应变速率相关塑性硬化模型计算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070068605A1 (en) * 2005-09-23 2007-03-29 U.I.T., Llc Method of metal performance improvement and protection against degradation and suppression thereof by ultrasonic impact
CN109918838A (zh) * 2019-03-26 2019-06-21 孙凌玉 一种预测含胶接大型复杂结构服役性能的方法及系统
CN110008512A (zh) * 2019-03-04 2019-07-12 三峡大学 一种考虑承载特性的负泊松比点阵结构拓扑优化方法
CN110211645A (zh) * 2019-06-12 2019-09-06 四川大学 微观-宏观尺度钣金成形工艺模型的损伤与疲劳寿命评估方法
CN110232243A (zh) * 2019-06-12 2019-09-13 四川大学 基于晶体塑性焊接工艺模型的损伤与疲劳寿命评估方法
CN110597180A (zh) * 2019-09-10 2019-12-20 大连理工大学 一种基于切削过程仿真的单晶铜微铣削力预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070068605A1 (en) * 2005-09-23 2007-03-29 U.I.T., Llc Method of metal performance improvement and protection against degradation and suppression thereof by ultrasonic impact
CN110008512A (zh) * 2019-03-04 2019-07-12 三峡大学 一种考虑承载特性的负泊松比点阵结构拓扑优化方法
CN109918838A (zh) * 2019-03-26 2019-06-21 孙凌玉 一种预测含胶接大型复杂结构服役性能的方法及系统
CN110211645A (zh) * 2019-06-12 2019-09-06 四川大学 微观-宏观尺度钣金成形工艺模型的损伤与疲劳寿命评估方法
CN110232243A (zh) * 2019-06-12 2019-09-13 四川大学 基于晶体塑性焊接工艺模型的损伤与疲劳寿命评估方法
CN110597180A (zh) * 2019-09-10 2019-12-20 大连理工大学 一种基于切削过程仿真的单晶铜微铣削力预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙万超等: "A--多因素镍基单晶合金LCF寿命分析模型", 《机械强度》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632724A (zh) * 2020-12-23 2021-04-09 广东省科学院中乌焊接研究所 金属增材制造工艺系统试验设计与结构化数据采集方法
CN113270157A (zh) * 2021-05-20 2021-08-17 兰州大学 一种基于机器学习的力学超材料设计与优化方法
CN115238579A (zh) * 2022-07-21 2022-10-25 中国核动力研究设计院 基于物理指引下机器学习算法的本构模型构建方法及装置
CN117558380A (zh) * 2024-01-10 2024-02-13 中国科学院深圳先进技术研究院 基于人工智能算法的磁性微纳材料高通量制备方法及系统
CN117558380B (zh) * 2024-01-10 2024-04-09 中国科学院深圳先进技术研究院 基于人工智能算法的磁性微纳材料高通量制备方法及系统
CN117558381A (zh) * 2024-01-12 2024-02-13 四川大学 一种金属材料温度与应变速率相关塑性硬化模型计算方法
CN117558381B (zh) * 2024-01-12 2024-03-22 四川大学 一种金属材料温度与应变速率相关塑性硬化模型计算方法

Also Published As

Publication number Publication date
CN111523268B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN111523268B (zh) 一种基于机器学习的材料抗疲劳优化设计方法
CN110222439B (zh) 基于Abaqus平台疲劳损伤与寿命评估方法
US8214182B2 (en) Methods of predicting residual stresses and distortion in quenched aluminum castings
US6634236B2 (en) Method and article of manufacture for estimating material failure due to crack formation and growth
CN109902362B (zh) 考虑纤维增强复合材料复杂非线性行为的弹粘塑性本构模型构建方法
CN110008620B (zh) 一种分析动态载荷条件下α-Fe应变率敏感系数的方法
CN110211645B (zh) 微观-宏观尺度钣金成形工艺模型的损伤与疲劳寿命评估方法
CN111721787B (zh) 基于晶体塑性的疲劳裂纹萌生与扩展的损伤寿命评估方法
Vaz Jr et al. Damage evolution and thermal coupled effects in inelastic solids
CN110688789B (zh) 一种碳纤维复合单向板偏载冲击的多尺度响应分析方法
Lin et al. Cyclic plasticity constitutive model for uniaxial ratcheting behavior of AZ31B magnesium alloy
CN111339703A (zh) 大应变条件下材料硬化行为的虚拟预测方法
CN112966347A (zh) 一种非连续结构双尺度蠕变疲劳寿命预测方法
CN111090957A (zh) 一种高温结构危险点应力-应变计算方法
Guo et al. An improved damage-coupled viscoplastic model for predicting ductile fracture in aluminum alloy at high temperatures
Lina et al. FEM analysis of spring-backs in age forming of aluminum alloy plates
CN115389349A (zh) 一种耦合损伤的循环粘塑性本构模型及其构建方法
CN113611377B (zh) 一种利用晶体塑性模型模拟混合控制蠕变疲劳变形的方法
CN111062152B (zh) 一种基于耗散能考虑残余应力的焊缝超高周寿命预测方法
CN118036386A (zh) 一种缺口件高周疲劳寿命预测的临界距离损伤分析方法
CN106777462A (zh) 电子组件振动应力的分析方法及系统
Zhang et al. An efficient algorithm for calculating Profust failure probability
Huang et al. A physically based methodology for predicting anisotropic creep properties of Ni-based superalloys
Ding et al. Constitutive model for an FCC single-crystal material
Altenbach et al. Edge effects in moderately thick plates under creep-damage conditions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant