CN113361025B - 一种基于机器学习的蠕变疲劳概率损伤评定方法 - Google Patents
一种基于机器学习的蠕变疲劳概率损伤评定方法 Download PDFInfo
- Publication number
- CN113361025B CN113361025B CN202110466876.5A CN202110466876A CN113361025B CN 113361025 B CN113361025 B CN 113361025B CN 202110466876 A CN202110466876 A CN 202110466876A CN 113361025 B CN113361025 B CN 113361025B
- Authority
- CN
- China
- Prior art keywords
- under
- working condition
- sample
- creep
- damage
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 62
- 238000013461 design Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 36
- 238000003062 neural network model Methods 0.000 claims description 28
- 238000009661 fatigue test Methods 0.000 claims description 12
- 230000003442 weekly effect Effects 0.000 claims description 12
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 9
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000004088 simulation Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于机器学习的蠕变疲劳概率损伤评定方法,包括:S1:获得试样不同工况下的原始小样本;S2:利用SMOTE获得不同工况下的虚拟样本;S3:训练GRNN模型,并根据预测误差更新换代虚拟样本;S4:生成针对原始小样本的扩充样本,混合扩充样本和原始小样本并估计其寿命分布;S5:计算每周次蠕变疲劳损伤,通过蒙特卡洛模拟获得随机总蠕变损伤和总疲劳损伤;S6:计算安全包络线的可信度,得到蠕变疲劳概率损伤评定图。本发明的方法,考虑实际寿命的分散性,获得具体的寿命分布特征,从而得到了随机的总蠕变疲劳损伤和安全设计包络线的可信度,实现了由确定性设计到不确定性设计的过渡。
Description
技术领域
本发明涉及蠕变疲劳可靠性评估领域,更具体地涉及一种基于机器学习的蠕变疲劳概率损伤评定方法。
背景技术
在石油化工和航空航天领域中,许多结构件在恶劣的服役环境下均受到蠕变疲劳交互作用,蠕变疲劳失效已经成为了诸如此类结构件的主要失效模式。针对材料的蠕变疲劳行为,目前已经提出了蠕变疲劳损伤评定图,通过在蠕变疲劳损伤评定图中设计合适的安全包络线来判断材料在一定的蠕变损伤和疲劳损伤下是否会发生失效:如果蠕变疲劳损伤点落在包络线内部,则材料不会发生失效,否则材料会发生失效。蠕变疲劳损伤评定图已经成为评判材料在某种工况下是否发生失效的重要依据。
但是,由于材料属性的分散性、缺陷分布的随机性以及几何尺寸的不确定性,即使同一根试样在相同的蠕变疲劳试验条件下进行试验,其寿命都会相差巨大。因此材料在失效时的蠕变疲劳损伤也是具有不确定性的,而传统的蠕变疲劳损伤评定图设计方法都是确定性的,其并没有考虑在实际情况下各种不确定性因素的影响,从而导致蠕变疲劳损伤评定图的评价结果与工程实际不符。
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概率损伤评定方法,考虑实际寿命的分散性,使蠕变疲劳损伤评定图的评价结果更加符合工程实际。
本发明提供一种基于机器学习的蠕变疲劳概率损伤评定方法,包括以下步骤:
S1:对一试样进行不同工况下的蠕变疲劳试验,获得试样不同工况下的蠕变疲劳寿命,形成不同工况下的原始小样本;
S2:基于不同工况下的原始小样本利用合成少数类过采样技术分别获得不同工况下的虚拟样本;
S3:利用不同工况下的虚拟样本和原始小样本对广义回归神经网络模型进行训练,并根据广义回归神经网络模型的预测误差更新换代虚拟样本,当预测误差达到预定精度要求时停止更新并获得不同工况下的终代虚拟样本和最终广义回归神经网络模型;
S4:分别利用不同工况下的最终广义回归神经网络模型生成针对每种工况原始小样本的扩充样本,混合每种工况下的扩充样本和原始小样本为全部寿命样本,根据每种工况下的全部寿命样本估计每种工况下的寿命分布;
S5:利用能量密度耗散模型计算每种工况下的每周次蠕变疲劳损伤,结合每种工况下的寿命分布进行蒙特卡洛模拟获得随机总蠕变损伤和随机总疲劳损伤;
S6:利用所有工况下的随机总蠕变损伤和随机总疲劳损伤计算损伤评定图中安全包络线的可信度,得到蠕变疲劳概率损伤评定图。
进一步地,步骤S1包括:在相同的试验温度,相同的应变比和相同的应变速率下,进行不同总应变范围和拉保载时间下的不同工况的蠕变疲劳试验,每种工况进行四组平行试验,从而得到不同工况下的原始小样本。
进一步地,步骤S2包括:
S21:分别将每种工况下的原始小样本中的蠕变疲劳寿命按照从小到大的顺序进行排列;
S22:根据中位秩经验可靠度公式确定每种工况下每个蠕变疲劳寿命的经验可靠度;
S23:将每种工况下的蠕变疲劳寿命及其对应的经验可靠度组合为每种工况下的整体样本;
S24:对每种工况的整体样本采用合成少数类过采样技术生成虚拟样本。
进一步地,所述S22中的中位秩经验可靠度公式为:
其中,R(j)为经验可靠度,j为原始小样本从小到大排序后的蠕变疲劳寿命的序号,1≤j≤4,n为每种工况下的原始小样本的样本数量。
进一步地,所述S24中的合成少数类过采样技术公式为:
xi,new=xij+rand(0,1)*|xij-xi,old|
其中,xi,old为第i个工况下的整体样本中随机选择的一个初始分量,xij为第i个工况下的整体样本的其他初始分量,xi,new为第i个工况下的整体样本新产生的分量。
进一步地,步骤S3包括:
S31:将每种工况产生的虚拟样本与原始小样本进行混合,并将混合后的样本作为训练与测试的测试集;
S32:将每种工况下的测试集的经验可靠度作为输入,经验可靠度所对应的蠕变疲劳寿命作为输出,对每种工况分别训练广义回归神经网络模型,从而得到不同工况的广义回归神经网络模型;
S33:利用交叉验证的方式训练每种工况的广义回归神经网络模型,通过试错法确定最佳广义回归神经网络模型的光滑因子,并确定此时最佳广义回归神经网络模型在对应工况测试集下的平均绝对百分比误差;
S34:判断每个工况的最佳广义回归神经网络模型的平均绝对百分比误差是否满足预定精度要求,如果是,则进行步骤S4;如果否,则重新利用合成少数类过采样技术产生新一代虚拟样本后重复S32-S33的训练过程,当满足预定精度要求后停止更新换代虚拟样本并获得终代虚拟样本和最终广义回归神经网络模型。
进一步地,所述S33中的平均绝对百分比误差满足如下关系式:
其中MAPEi为第i个工况下的最佳广义回归神经网络模型的平均绝对百分比误差,ntest为交叉验证下所有测试集中数据的总数量;Rim为第i个工况下测试集中第m个输入;Nim为第i个工况下,第m个蠕变疲劳寿命。
进一步地,所述S34中的预定精度要求为每个工况的最佳广义回归神经网络模型的平均绝对百分比误差均小于10%。
进一步地,步骤S4包括:
步骤S41:随机产生多组与输入的经验可靠度相近的数值作为最终广义回归神经网络的输入,生成不同工况下的扩充样本;
步骤S42:将每种工况下的扩充样本的数据和原始小样本的数据进行混合得到每种工况下的全部寿命样本;
步骤S43:在获得的全部寿命样本基础上,进行大样本数据的假设分布检查,确定每种工况下的寿命分布的分布类型;
步骤S44:根据全部寿命样本和步骤S43中确定的寿命分布类型,利用最大似然估计获得每种工况下的寿命分布的估计参量;
步骤S45:重复进行步骤S41-S44多次,每种工况得到多组估计参量,以多组估计参量的平均值作为寿命分布的特征参数,从而得到每种工况下的寿命分布。
进一步地,步骤S5包括:
S51:利用能量密度耗散模型计算每种工况下的每周次蠕变损伤与每周次疲劳损伤;
S52:结合每种工况下的寿命分布,每种工况分别进行多次蒙特卡洛模拟得到各工况下的随机总蠕变损伤和随机总疲劳损伤。
进一步地,所述随机总蠕变损伤和所述随机总疲劳损伤满足如下关系式:
其中,为第i个工况下第k次蒙特卡洛模拟的蠕变疲劳寿命,dci和dfi分别为第i次工况下的每周次蠕变损伤和每周次疲劳损伤,/>和/>分别为第i个工况下第k次蒙特卡洛模拟的随机总蠕变损伤与随机总疲劳损伤。
进一步地,步骤S6包括:统计不同工况的随机总蠕变损伤点和随机总疲劳损伤点落在蠕变疲劳损伤评定图的连续型安全设计包络线内部的数量,获得连续型安全设计包络线的可信度。
进一步地,所述连续型安全设计包络线满足如下关系式:
其中n为连续型安全设计包络线的参数值。
进一步地,所述连续型安全设计包络线的可信度满足如下关系式:
R=1-t/(M·l)
其中,R为可信度,M为每个工况下蒙特卡洛模拟的次数,l为蠕变疲劳试验的工况个数。
本发明的基于机器学习的蠕变疲劳概率损伤评定方法,考虑实际寿命的分散性并结合机器学习工具获得具体的寿命分布特征,从而得到了随机总蠕变损伤与随机总疲劳损伤,并进一步获得了蠕变疲劳损伤评定图中连续型安全设计包络线的可信度,实现了由确定性设计到不确定性设计的过渡。
附图说明
图1为本发明实施例提供的基于机器学习的蠕变疲劳概率损伤评定图设计方法的流程图;
图2为本发明实施例提供的GRNN模型与EM-SMOTE-GRNN模型在交叉验证下取不同光滑因子时的预测误差示意图;
图3为本发明实施例提供的各工况下的最佳GRNN模型与EM-SMOTE-GRNN模型在对应测试集上的预测误差示意图;
图4为本发明实施例提供的GH4169材料在各工况下由蒙特卡洛模拟获得的随机总蠕变损伤点与随机总疲劳损伤点;
图5为本发明实施例提供的GH4169材料蠕变疲劳概率损伤评定图。
具体实施方式
下面结合附图,给出本发明的较佳实施例,并予以详细描述。
如图1所示,本发明提供一种基于机器学习的蠕变疲劳概率损伤评定方法,包括以下步骤:
步骤S1:对一试样进行不同工况下的蠕变疲劳试验,获得试样不同工况下的蠕变疲劳寿命,形成不同工况下的原始小样本;
试样的材料和试验参数可根据实际需要进行选择,蠕变疲劳试验可采用现有的任意一款试验机进行。在本实施例中,试样为GH4169材料,在相同的试验温度650℃,相同的应变比Rε=1,相同的应变速率ε&=0.4%/s下,对试样进行不同总应变范围和拉保载时间的共计16种工况的蠕变疲劳试验,且对于每种工况均进行四组平行试样的试验,即每种工况获得四个蠕变疲劳寿命数据,16种工况下的蠕变疲劳寿命数据即为不同工况的原始小样本。其中,蠕变疲劳试验的总应变范围分别为2%、1.6%、1.4%和1%,拉保载时间分别为:60s、120s、300s和1800s。
应当注意的是,本发明中原始小样本的获得并不仅限于以上几种工况,对于其他应变控制的蠕变疲劳实验也可以采取其他的总应变范围和保载时间。
步骤S2:基于不同工况下的原始小样本利用合成少数类过采样技术分别获得不同工况下的虚拟样本;
其中,步骤S2包括:
步骤S21:分别将每种工况下的原始小样本中的蠕变疲劳寿命按照从小到大的顺序进行排列;
步骤S22:根据中位秩经验可靠度公式确定每种工况下每个蠕变疲劳寿命的经验可靠度;中位秩经验可靠度公式为:
其中,j为原始小样本从小到大排序后的蠕变疲劳寿命的序号,n为每种工况下的样本数量,由于本实施例中原始小样本中共有4个蠕变疲劳寿命数据,因此1≤j≤4,n=4;
步骤S23:将每种工况下的蠕变疲劳寿命及其对应的经验可靠度组合为每种工况下的整体样本,对第i个工况而言,其整体样本为:
xi={xi1,xi2,xi3,xi4}
对于第i个工况的整体样本xi,其包括4个分量,每个分量分别由蠕变疲劳寿命及其对应的经验可靠度组成;
步骤S24:对每种工况的整体样本采用合成少数类过采样技术(SyntheticMinority Oversampling Technique,SMOTE)产生多个虚拟样本分量,形成虚拟样本。SMOTE公式为:
xi,new=xij+rand(0,1)*|xij-xi,old|
其中,xi,old为第i个工况下的整体样本中随机选择的一个初始分量,xij为第i个工况下的整体样本的其他初始分量,xi,new为第i个工况下的整体样本新产生的分量。虚拟样本分量的个数可根据需要进行选择,在本实施例中,共产生15个虚拟样本分量。
步骤S3:利用虚拟样本和原始小样本对广义回归神经网络(General RegressionNeural Network,GRNN)模型进行训练,并根据广义回归神经网络模型的预测误差更新换代虚拟样本,当预测误差达到预定精度要求时停止更新并获得终代虚拟样本和最终GRNN网络模型;
为完成蠕变疲劳概率损伤评定,采用引入淘汰机制(Elimination mechanism,EM)的SMOTE-GRNN方法(即EM-SMOTE-GRNN方法)来扩充原始样本。具体的,步骤S3包括:
步骤S31:将每种工况产生的虚拟样本与原始小样本进行混合,并将混合后的样本作为训练与测试GRNN模型的样本集;
步骤S32:将每种工况下的测试集的经验可靠度作为GRNN模型的输入,所对应的蠕变疲劳寿命作为GRNN模型的输出,对每种工况分别训练GRNN,从而得到不同工况的GRNN模型;在本实施例中,共得到16种工况的GRNN模型;
步骤S33:利用交叉验证的方式训练每种工况的GRNN模型,通过试错法确定最佳GRNN模型的光滑因子,并确定此时最佳GRNN模型在对应工况测试集下的平均绝对百分比误差;在第i个工况下GRNN的平均绝对百分比误差MAPEi为:
其中ntest为交叉验证下所有测试集中数据的总数量,Rim为第i个工况下测试集中第m个输入,Nim为第i个工况下,第m个蠕变疲劳寿命,其作为GRNN模型的输出;
光滑因子是GRNN模型的网络结构参数,相同条件下不同的光滑因子,GRNN模型的泛化能力也不一样,确定一个合适的光滑因子使得GRNN的预测效果最优的过程即为参数寻优。试错法也即试参法也是现有的参数寻优方法,通过不断改变网络结构参数取值观察模型的预测效果,选择预测误差最小所对应的网络参数为最佳网络参数。
步骤S34:判断此时由虚拟样本和原始样本在每种工况下训练好的最佳GRNN模型的MAPE是否均小于10%,如果满足该条件,说明产生的虚拟样本足够好无需进一步更新换代;如果不满足该条件,则有针对性的舍弃对应工况下虚拟样本重新利用SMOTE产生新一代虚拟样本重复步骤S32-S33的训练过程,当满足该预定精度要求(即MAPE小于10%)时停止更新虚拟样本并获得各种工况的终代虚拟样本和最终GRNN模型(即EM-SMOTE-GRNN模型)。
特别地,只有当每种工况下训练的EM-SMOTE-GRNN模型的MAPE都小于10%,才可以认为由该模型生成的各个工况的扩充样本是与原始小样本保持相同分布特征的。
以总应变范围为2%,拉保载时间为60s的工况为例,在原始小样本下利用试错法寻找最佳的GRNN模型参数,同时采用上述步骤寻找本发明EM-SMOTE-GRNN模型的最佳模型参数,参数寻优过程如图2所示,通过改变光滑因子的取值,GRNN模型在交叉验证测试下的测试误差不同,测试误差越小对应的MAPE越小,选择MAPE最小的光滑因子为最佳的网络结构参数。对于其他工况,其GRNN与EM-SMOTE-GRNN模型的参数寻优过程用同样的方法可得。
步骤S31-S34即本发明所阐述的EM-SMOTE-GRNN方法。SMOTE自身可以针对原始样本生成扩充样本,但是本质上该算法只能完成内插性样本并不能真实反映原始样本的分布特征;GRNN模型具有强大的非线性映射能力和学习速度可以学习样本的分布特征,但是在小样本条件下GRNN模型无法获得良好的训练,如果直接进行样本扩充将会造成极大的偏差;本发明的EM-SMOTE-GRNN方法有机结合了SMOTE与GRNN的优势,通过SMOTE生成内插性质的虚拟样本丰富原始训练样本集以此来改善GRNN的学习效果,同时在SMOTE-GRNN的训练过程中引入淘汰机制,根据GRNN的预测误差不断更新由SMOTE产生的虚拟样本直到可以达到预定的精度要求,使其整体预测误差显著降低,从而有力的保证了扩充样本的质量。
不同工况下由EM-SMOTE-GRNN方法和最佳网络参数的GRNN模型在不同工况测试集上的预测效果如图3所示,从图中可以看到此时EM-SMOTE-GRNN方法相比于一般的GRNN模型预测效果得到了明显改善,MAPE小于10%。
优选的,该EM-SMOTE-GRNN方法的实施可基于MATLAB平台实现。
步骤S4:利用最终广义回归神经网络模型生成所述原始小样本的扩充样本,混合所述扩充样本和所述原始小样本为全部寿命样本,根据所述全部寿命样本估计试样的寿命分布;
其中,步骤S4包括:
步骤S41:在由终代虚拟样本和原始小样本训练获得的最终GRNN模型下,随机产生多组与输入的经验可靠度相近的数值作为最终GRNN模型的输入,生成不同工况下的扩充样本;
其中,与输入的经验可靠度相近的数值的组数可根据需要进行设定,在本实施例中,可设为50组;
步骤S42:将每种工况下的扩充样本的数据和原始小样本的数据进行混合得到每种工况下的全部寿命样本;
步骤S43:在获得的全部寿命样本基础上,进行大样本数据的假设分布检查,确定每种工况下的寿命分布的分布类型;
由于正态分布,对数正态分布,两参数威布尔分布是描述寿命分布时最为常用的分布类型,故选择这三种分布作为候选分布,最后结果表明不同工况下三种分布的拟合效果较为接近,而且在大部分工况下对数正态分布的拟合效果是最佳的,因此确定本实施例的16种工况的寿命分布为对数正态分布;拟合方法如下:
通过拟合相关性系数定量表征全部寿命样本在这三种不同分布类型下的拟合效果,拟合相关性系数rxy的计算式可以表示为
对于每一种工况的全部寿命样本均采用所述拟合相关系数进行拟合优度的检验,Xi,i=1,2.....50为全部寿命样本的经验可靠度Ri,Yi为寿命Ni在某一假设分布下对应的可靠度R'i,可以表示为
R'i=1-F(Ni)
其中F为某分布类型的累积分布函数,其具体形式的获得可以基于MATLAB通过对该工况全部寿命样本进行极大似然估计得到分布特征参数从而获得F的表达式;其中拟合相关系数越接近于1说明对该分布类型拟合效果越好,对16种工况假设分布检查的结果如表1所示,从表1可以看到不同工况下三种分布的拟合效果较为接近,而且在多数情况下对数正态分布的拟合效果是最佳的,因此确定本实施例下16种工况的寿命分布为对数正态分;
表1不同工况下蠕变疲劳寿命假设分布检查结果
基于步骤S41-S43确定了各工况寿命分布的类型,在此基础上可以进行具体分布的特征参数估计;
步骤S44:在步骤S42获得的全部寿命样本基础上利用最大似然估计获得每种工况下对数寿命分布的平均值和标准差,每种工况可以获得一组估计参量;其中最大似然估计估算对数寿命的样本均值和标准差可以直接基于MATLAB平台实现;
由于输入的经验可靠度是随机产生的介于0-1之间的随机数,因此由EM-SMOTE-GRNN模型得到的寿命数据输出也是可变的,即每一次获得的全部寿命样本是不一样的,所以每一次参数估计的结果都有所差异,为了得到稳定且精准的估计结果要进行重复模拟;
步骤S45:对于每种工况重复模拟多次,因此可以得到多组不同的估计参量。统计多组估计参量的平均值并以此作为该工况下寿命分布的特征参数,至此得到各个工况下的寿命分布;各工况下的寿命分布为:
其中,Ni为第i个工况下的蠕变疲劳寿命,μi和σi分别为该工况下对数寿命分布的均值和标准差;
对每种工况重复模拟的次数可根据需要进行设定,在本实施例中,为了使结果更精确,重复模拟的次数设为一千次。
S5:利用能量密度耗散模型计算每种工况下的每周次蠕变疲劳损伤,结合每种工况下的寿命分布进行蒙特卡洛模拟可以获得随机总蠕变损伤与随机总疲劳损伤;
步骤S5进一步包括:
步骤S51:利用能量密度耗散模型计算每种工况下的每周次蠕变损伤dci与每周次疲劳损伤dfi;
在本实施例中,所利用的能量密度耗散模型计算每周次蠕变损伤与每周次疲劳损伤是基于申请号为CN201510586289.4的专利文件所公开的蠕变疲劳损伤计算式,该模型的准确性已经在文献[Wang RZ,et al.A modified strain energy density exhaustionmodel for creep-fatigue life prediction[J].International Journal of Fatigue,2016,90:12-22]得到验证;
步骤S52:结合步骤S45中获得的每种工况下的寿命分布,每种工况分别进行多次蒙特卡洛模拟得到各工况下的随机总蠕变损伤和随机总疲劳损伤,其满足如下关系式:
其中,为第i个工况下第k次蒙特卡洛模拟的蠕变疲劳寿命,/>和/>分别为第i个工况下第k次蒙特卡洛模拟的随机总蠕变损伤与随机总疲劳损伤;
蒙特卡洛模拟的次数可根据需要进行设定,在本实施例中,可设为500次。经过蒙特卡洛模拟得到的16个工况下的随机总蠕变损伤与随机总疲劳损伤如图4所示。从图4可以看到,在考虑寿命分散性条件下,失效时的总疲劳损伤与总蠕变损伤也是呈现出一定的分散性,此时有一部分随机失效损伤点落在了连续型安全设计包络线的内部,材料已经失效但是基于安全设计包络线的判别准则,其仍然没有失效,即此时基于确定性设计的安全包络线出现了误判的情况,其具有一定的可靠度;
S6:利用随机总蠕变损伤和随机总疲劳损伤计算损伤评定图中安全包络线的可靠度,得到蠕变疲劳概率损伤评定图;
具体的,对于蠕变疲劳损伤评定图的连续型安全设计包络线,通过统计上述步骤S52所得到的16种工况的随机总蠕变损伤点与随机总疲劳损伤点落在连续型包络线内部的数量t,获得该条包络线的可信度R;连续型安全设计包络线为:
其中n为连续包络线的参数值,对于不同的n值对应不同的安全设计包络线,n值越小,其对应的安全包络线越靠近远点,特别地,当n取为1时,该连续型安全包络线退化成线性形式;
参数为n的安全设计包络线,其可信度为:
R=1-t/(M·l)
其中,M为每个工况下蒙特卡洛模拟的次数,l为蠕变疲劳试验的工况个数。在本实施例中M取值为500,l取值为16;
在本实施例中分别取连续型安全包络线的n值为0.5与0.8,其对应的可靠度R可以通过统计所述步骤S52中随机总蠕变损伤点与随机总疲劳损伤点落在其包络线内部或者外部的数量来确定,当n取值为0.5时,其对应的可靠度为98.2%,当n取值为0.8时,其对应的可靠度为74.8%。
本发明提供的基于机器学习的蠕变疲劳概率损伤评定方法,考虑实际寿命的分散性并结合机器学习工具获得具体的寿命分布特征,从而得到了随机总蠕变损伤与随机总疲劳损伤,并进一步获得了蠕变疲劳损伤评定图中连续型安全设计包络线的可信度,实现了由确定性设计到不确定性设计的过渡。
以上所述的,仅为本发明的较佳实施例,并非用以限定本发明的范围,本发明的上述实施例还可以做出各种变化。即凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰,皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。
Claims (7)
1.一种基于机器学习的蠕变疲劳概率损伤评定方法,其特征在于,包括以下步骤:
S1:对一试样进行不同工况下的蠕变疲劳试验,获得试样不同工况下的蠕变疲劳寿命,形成不同工况下的原始小样本;
S2:基于不同工况下的原始小样本利用合成少数类过采样技术分别获得不同工况下的虚拟样本;步骤S2包括:
S21:分别将每种工况下的原始小样本中的蠕变疲劳寿命按照从小到大的顺序进行排列;
S22:根据中位秩经验可靠度公式确定每种工况下每个蠕变疲劳寿命的经验可靠度;所述中位秩经验可靠度公式为:
其中,R(j)为经验可靠度,j为原始小样本从小到大排序后的蠕变疲劳寿命的序号,1≤j≤4,n为每种工况下的原始小样本的样本数量;
S23:将每种工况下的蠕变疲劳寿命及其对应的经验可靠度组合为每种工况下的整体样本;
S24:对每种工况的整体样本采用合成少数类过采样技术生成虚拟样本;所述合成少数类过采样技术公式为:
xi,new=xij+rand(0,1)*|xij-xi,old|
其中,xi,old为第i个工况下的整体样本中随机选择的一个初始分量,xij为第i个工况下的整体样本的其他初始分量,xi,new为第i个工况下的整体样本新产生的分量;
S3:利用不同工况下的虚拟样本和原始小样本对广义回归神经网络模型进行训练,并根据广义回归神经网络模型的预测误差更新换代虚拟样本,当预测误差达到预定精度要求时停止更新并获得不同工况下的终代虚拟样本和最终广义回归神经网络模型;
S4:分别利用不同工况下的最终广义回归神经网络模型生成针对每种工况原始小样本的扩充样本,混合每种工况下的扩充样本和原始小样本为全部寿命样本,根据每种工况下的全部寿命样本估计每种工况下的寿命分布;
S5:利用能量密度耗散模型计算每种工况下的每周次蠕变疲劳损伤,结合每种工况下的寿命分布进行蒙特卡洛模拟获得随机总蠕变损伤和随机总疲劳损伤;步骤S5包括:
S51:利用能量密度耗散模型计算每种工况下的每周次蠕变损伤与每周次疲劳损伤;
S52:结合每种工况下的寿命分布,每种工况分别进行多次蒙特卡洛模拟得到各工况下的随机总蠕变损伤和随机总疲劳损伤;所述随机总蠕变损伤和所述随机总疲劳损伤满足如下关系式:
其中,为第i个工况下第k次蒙特卡洛模拟的蠕变疲劳寿命,dci和dfi分别为第i次工况下的每周次蠕变损伤和每周次疲劳损伤,/>和/>分别为第i个工况下第k次蒙特卡洛模拟的随机总蠕变损伤与随机总疲劳损伤;
S6:利用所有工况下的随机总蠕变损伤和随机总疲劳损伤计算损伤评定图中安全包络线的可信度,得到蠕变疲劳概率损伤评定图;步骤S6包括:统计不同工况的随机总蠕变损伤点和随机总疲劳损伤点落在蠕变疲劳损伤评定图的连续型安全设计包络线内部的数量,获得连续型安全设计包络线的可信度;所述连续型安全设计包络线满足如下关系式:
其中n为连续型安全设计包络线的参数值。
2.根据权利要求1所述的基于机器学习的蠕变疲劳概率损伤评定方法,其特征在于,步骤S1包括:在相同的试验温度,相同的应变比和相同的应变速率下,进行不同总应变范围和拉保载时间下的不同工况的蠕变疲劳试验,每种工况进行四组平行试验,从而得到不同工况下的原始小样本。
3.根据权利要求1所述的基于机器学习的蠕变疲劳概率损伤评定图设计方法,其特征在于,步骤S3包括:
S31:将每种工况产生的虚拟样本与原始小样本进行混合,并将混合后的样本作为训练与测试的测试集;
S32:将每种工况下的测试集的经验可靠度作为输入,经验可靠度所对应的蠕变疲劳寿命作为输出,对每种工况分别训练广义回归神经网络模型,从而得到不同工况的广义回归神经网络模型;
S33:利用交叉验证的方式训练每种工况的广义回归神经网络模型,通过试错法确定最佳广义回归神经网络模型的光滑因子,并确定此时最佳广义回归神经网络模型在对应工况测试集下的平均绝对百分比误差;
S34:判断每个工况的最佳广义回归神经网络模型的平均绝对百分比误差是否满足预定精度要求,如果是,则进行步骤S4;如果否,则重新利用合成少数类过采样技术产生新一代虚拟样本后重复S32-S33的训练过程,当满足预定精度要求后停止更新换代虚拟样本并获得终代虚拟样本和最终广义回归神经网络模型。
4.根据权利要求3所述的基于机器学习的蠕变疲劳概率损伤评定方法,其特征在于,所述S33中的平均绝对百分比误差满足如下关系式:
其中MAPEi为第i个工况下的最佳广义回归神经网络模型的平均绝对百分比误差,ntest为交叉验证下所有测试集中数据的总数量;Rim为第i个工况下测试集中第m个输入;Nim为第i个工况下,第m个蠕变疲劳寿命。
5.根据权利要求3所述的基于机器学习的蠕变疲劳概率损伤评定图设计方法,其特征在于,所述S34中的预定精度要求为每个工况的最佳广义回归神经网络模型的平均绝对百分比误差均小于10%。
6.根据权利要求1所述的基于机器学习的蠕变疲劳概率损伤评定方法,其特征在于,步骤S4包括:
步骤S41:随机产生多组与输入的经验可靠度相近的数值作为最终广义回归神经网络的输入,生成不同工况下的扩充样本;
步骤S42:将每种工况下的扩充样本的数据和原始小样本的数据进行混合得到每种工况下的全部寿命样本;
步骤S43:在获得的全部寿命样本基础上,进行大样本数据的假设分布检查,确定每种工况下的寿命分布的分布类型;
步骤S44:根据全部寿命样本和步骤S43中确定的寿命分布类型,利用最大似然估计获得每种工况下的寿命分布的估计参量;
步骤S45:重复进行步骤S41-S44多次,每种工况得到多组估计参量,以多组估计参量的平均值作为寿命分布的特征参数,从而得到每种工况下的寿命分布。
7.根据权利要求1所述的基于机器学习的蠕变疲劳概率损伤评定方法,其特征在于,所述连续型安全设计包络线的可信度满足如下关系式:
R=1-t/(M·l)
其中,R为可信度,M为每个工况下蒙特卡洛模拟的次数,l为蠕变疲劳试验的工况个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110466876.5A CN113361025B (zh) | 2021-04-28 | 2021-04-28 | 一种基于机器学习的蠕变疲劳概率损伤评定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110466876.5A CN113361025B (zh) | 2021-04-28 | 2021-04-28 | 一种基于机器学习的蠕变疲劳概率损伤评定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361025A CN113361025A (zh) | 2021-09-07 |
CN113361025B true CN113361025B (zh) | 2024-03-29 |
Family
ID=77525543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110466876.5A Active CN113361025B (zh) | 2021-04-28 | 2021-04-28 | 一种基于机器学习的蠕变疲劳概率损伤评定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361025B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114722690B (zh) * | 2022-06-09 | 2022-09-02 | 华中科技大学 | 基于变可信度神经网络的声学超表面声场快速预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018044507A1 (en) * | 2016-08-29 | 2018-03-08 | Siemens Corporation | Machine learning-aided model-based method for estimating gas turbine component life |
CN112651164A (zh) * | 2021-01-20 | 2021-04-13 | 华东理工大学 | 一种基于机器学习的蠕变疲劳寿命预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10311202B2 (en) * | 2016-04-11 | 2019-06-04 | Airbus Helicopters Deutschland GmbH | Probabilistic load and damage modeling for fatigue life management |
US11630040B2 (en) * | 2017-07-11 | 2023-04-18 | Qatar University | Real-time structural damage detection by convolutional neural networks |
-
2021
- 2021-04-28 CN CN202110466876.5A patent/CN113361025B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018044507A1 (en) * | 2016-08-29 | 2018-03-08 | Siemens Corporation | Machine learning-aided model-based method for estimating gas turbine component life |
CN112651164A (zh) * | 2021-01-20 | 2021-04-13 | 华东理工大学 | 一种基于机器学习的蠕变疲劳寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
陆山 ; 高鹏 ; .考虑应力松弛的涡轮盘蠕变-疲劳寿命可靠性分析方法.推进技术.2009,(03),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113361025A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664700B (zh) | 基于不确定数据包络分析的加速退化信息融合建模方法 | |
CN113567795B (zh) | 基于威布尔分布的步退应力加速可靠性试验方法 | |
CN114329802A (zh) | 用于翼型件的概率疲劳和混合极限评估及可视化方法 | |
CN113484813B (zh) | 多环境应力下的智能电表故障率预估方法及系统 | |
US20210374634A1 (en) | Work efficiency evaluation method, work efficiency evaluation apparatus, and program | |
CN112016253A (zh) | 一种适用于cfd不确定度量化的高保真度混沌多项式修正方法 | |
CN113361025B (zh) | 一种基于机器学习的蠕变疲劳概率损伤评定方法 | |
CN113408192B (zh) | 基于ga-fsvr的智能电表误差预测方法 | |
Mohamed et al. | Evaluation of Reliability Indices for Gas Turbines Based on the Johnson SB Distribution: Towards Practical Development | |
Lee et al. | Dynamic Bayesian network for fatigue-crack-related risk assessment of aerospace bolts | |
Sun et al. | Remaining useful life prediction for bivariate deteriorating systems under dynamic operational conditions | |
CN113779893B (zh) | 基于回声状态网络的保障性仿真输出结果可信性评价方法 | |
CN110083933A (zh) | 一种考虑随机效应的腐蚀管道贝叶斯退化分析方法 | |
CN115203840A (zh) | 基于贝叶斯序贯试验的涡轮盘可靠性验证方法 | |
CN110472872B (zh) | 考虑风险临界性的关键质量特性解耦分析方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
Louahem M'Sabah et al. | Simulation of Bearing Degradation by the Use of the Gamma Stochastic Process. | |
YANG | Performance Analysis on the Reliability Attributes of NHPP Software Reliability Model Applying Exponential and Inverse-Exponential Lifetime Distribution | |
CN110688152A (zh) | 一种结合软件开发质量信息的软件可靠性定量评估方法 | |
Li et al. | Performance prediction of a production line with variability based on grey model artificial neural network | |
Rootliep et al. | Evolutionary algorithm for enhanced gas path analysis in turbofan engines | |
Yarramsetty et al. | Composite Power System Reliability Evaluation Using Artificial Neural Networks | |
Wang et al. | Estimation and Control for Industrial Products Reliability under Failure Trials | |
CN112416789B (zh) | 一种面向演化软件的过程度量元评价方法 | |
BAE | COMPARATIVE EVALUATION ON THE ATTRIBUTES OF SOFTWARE DEVELOPMENT COST MODEL WITH EXPONENTIAL AND INVERSE-EXPONENTIAL DISTRIBUTION PROPERTY |
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 |