CN113807016B - 一种数据驱动的工程材料超高周疲劳寿命预测方法 - Google Patents
一种数据驱动的工程材料超高周疲劳寿命预测方法 Download PDFInfo
- Publication number
- CN113807016B CN113807016B CN202111105443.3A CN202111105443A CN113807016B CN 113807016 B CN113807016 B CN 113807016B CN 202111105443 A CN202111105443 A CN 202111105443A CN 113807016 B CN113807016 B CN 113807016B
- Authority
- CN
- China
- Prior art keywords
- data
- fatigue life
- ultra
- high cycle
- defect
- 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
- 239000000463 material Substances 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000007547 defect Effects 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000009661 fatigue test Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000003466 welding Methods 0.000 abstract description 11
- 238000005457 optimization Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 239000000956 alloy Substances 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
公开了一种数据驱动的工程材料超高周疲劳寿命预测方法。首先搜集工程材料信息及超高周疲劳数据形成初始样本数据，并将数据分为测试集和训练集；其次根据已有的物理模型评估各输入特征变量对输出变量的贡献度，并对特征变量的重要性进行排序，进而筛选出关键特征变量并形成数据驱动模型的目标函数；接着将目标函数嵌入机器学习算法运算得到中间计算值Z，并采用决定系数R2来评估数据驱动模型的预测精度；最后将训练集Z值与疲劳寿命进行关联实现工程材料的超高周疲劳寿命预测。本发明将工程材料超高周疲劳寿命的主要影响因素与数据驱动算法结合起来，可快速有效地对工程材料的超高周疲劳寿命进行预测，在焊缝等含缺陷材料中得到了很好的实施效果。
Description
技术领域
本发明属于材料寿命评估技术领域，涉及一种数据驱动的工程材料超高周疲劳寿命预测方法。
背景技术
近年来，许多工程装备表现出长寿命服役的新趋势，某些部件承受的循环载荷会超过1010cycles，因此，尝试定量描述工程材料超高周疲劳行为并建立相关的预测模型是工程结构超长寿命设计的必然要求。传统的疲劳寿命预测模型大多是通过试验数据拟合获取，试验成本高、周期长，同时还有很大的局限性(比如该模型只在某一工况下适用)，为了服务工程需求，迫切需要寻求一种高效的工程材料超高周疲劳寿命预测方法。
最近，数据驱动的方法已成功应用于材料性能预测，并在预测精度和效率方面具有显著的优势。探索一种基于材料基础信息和服役工况(材料缺陷、载荷、温度和应力比)并完全依托数据驱动准确和快速地预估材料疲劳寿命，对于指导工程装备结构强度和寿命设计意义重大。
目前有关工程材料的超高周疲劳寿命预测的理论模型很少，朱明亮等在前人基础上提出了一种基于应力水平，缺陷尺寸和缺陷位置因素的超高周疲劳寿命预测模型(Z参数模型)[朱明亮等.一种超高周疲劳寿命预测的新模型，中国科技论文在线精品论文，2012.]，该模型虽在一定范围内适用，但仍有它的局限性。鉴于当下先进的人工智能技术，可以将Z参数理论模型和人工智能算法融合，依托数据驱动快速建立工程材料的超高周疲劳寿命预测模型。
发明内容
为了解决现有技术中存在的不足，本发明提出了一种数据驱动的工程材料超高周疲劳寿命预测方法，具体来说，利用更加全面的材料及工况信息借助数据驱动方法对工程材料的超高周疲劳寿命进行预测。
本发明采用的技术方案如下：
一种数据驱动的工程材料超高周疲劳寿命预测方法，包括：
步骤S1：搜集工程材料的材料信息及超高周疲劳寿命数据分别作为测试集和训练集，将其进行十折交叉验证；所述十折交叉验证为将数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，将10次试验所得到的测试集与训练集对比所得到的R2作为评估数据驱动性能的指标。每一个疲劳寿命数据组均包括材料缺陷的几何特征、疲劳试验工况参数、相对应到的疲劳寿命以及依据物理模型得到的中间计算值Zp；
步骤S2：对所述疲劳寿命数据组提取特征变量，根据所述物理模型评估各特征变量作为输入变量时对疲劳寿命的贡献度，并对各输入特征变量的重要性进行排序，进而筛选出关键特征变量作为输入变量，对应所述输入变量形成数据驱动模型目标函数Zm，并将数据驱动模型目标函数Zm嵌入机器学习算法中获得中间计算值Zm；
步骤S3：将通过不同模型获得的中间计算值的进行关联并拟合，利用决定系数R2来评估数据驱动模型目标函数Zm的预测精度；当R2数值大于等于0.9时，判定所述驱动模型目标函数Zm的预测准确，进一步采用所述数据驱动运算得到的中间值Zm与搜集到的疲劳数据关联建模，对工程材料的超高周疲劳寿命进行预测。
进一步地，步骤S1中的所述收集焊接结构材料的超高周疲劳寿命数据为从已有文献中搜集到的材料信息及对应的超高周疲劳寿命数据；在步骤S3中当R2数值小于0.9时，返回步骤S1。
进一步地，采用步骤S1中所搜集材料的超高周疲劳寿命数据作为测试集和训练集，或者重新搜集材料的超高周疲劳寿命数据作为测试集和训练集；在步骤S3之后还包括步骤S4：将所述训练集输入至机器学习算法中对所述数据驱动模型目标函数Zm进行训练优化。
进一步地，在对所述数据驱动模型目标函数Zm进行训练优化时，若R2数值大于或者等于0.9时，将通过训练集运算的中间计算值Zm和疲劳寿命关联并拟合。
进一步地，步骤S1中的所述材料缺陷的几何特征为缺陷投影面积的平方根和缺陷的相对位置；所述疲劳试验工况参数为试验温度、试棒直径、应力幅和应力比。
进一步地，所述缺陷投影面积是运用图像分析软件从疲劳断口扫描电镜照片上测量缺陷的横截面面积。
进一步地，所述缺陷的相对位置用D表示，其计算公式为：D＝(d-dinc)/d；其中d为疲劳试棒直径，dinc为缺陷的中心点到试棒外侧表面的最小距离，所述dinc是运用图像分析方式从疲劳断口扫描电镜照片上测量缺陷的中心点到试棒外侧表面的最小距离。
进一步地，步骤S1中的物理模型用Z表示，计算公式为：Z＝σa(area)1/6Dβ；其中，σa为疲劳应力幅，area为微缺陷投影面积，D为缺陷的相对位置，β为材料常数。
进一步地，步骤S2中的数据驱动模型目标函数为其中σa为疲劳应力幅，/>为微缺陷投影面积的平方根，D为缺陷的相对位置，T为疲劳试验温度，r为应力比。
进一步地，步骤S2中将数据驱动模型目标函数Zm嵌入机器学习模型中运算获得中间计算值Zm。
本发明采用的有益效果：
首次，建模所需数据完全从文献中获取，利用更加全面的材料及工况信息借助数据驱动方法建立模型对工程材料的超高周疲劳寿命进行预测，无需测试，成本低，省时、省力。
其次，将已有的理论模型与机器学习模型进行数据融合驱动，并采用决定系数R2来评估数据驱动方法的预测精度，根据特征变量选择适用的数据驱动目标函数，效率高，应用广。
最后，该方法很容易推广应用至工程材料的力学性能预测，尤其适合焊接材料的超高周疲劳寿命预测。
附图说明
下面结合附图，通过对本申请的具体实施方式详细描述，呈现本申请的技术方案及其它有益效果。
图1为本申请中利用数据驱动方法训练中间计算Z值框图。
图2为本申请中焊接结构材料疲劳断口表面缺陷几何特征示意图。
图3为本申请中两种途径下的中间计算Z值的关联结果。
图4为本申请中训练集Z值与疲劳寿命关联的结果。
具体实施方式
本发明以25Cr2Ni2MoV钢、Ti6Al4V合金以及AlMgSi合金焊接接头为例，借助数据驱动方法进行超高周疲劳寿命预测，如图1-图4，具体实施步骤如下：
步骤S1：搜集焊接结构的材料信息及超高周疲劳寿命数据分别作为测试集和训练集，将其进行十折交叉验证；所述十折交叉验证为将数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，将10次试验所得到的测试集与训练集对比所得到的R2作为评估数据驱动性能的指标。每一个疲劳寿命数据组均包括材料缺陷的几何特征、疲劳试验工况参数、相对应到的疲劳寿命以及依据物理模型得到的中间计算值Zp；
步骤S2：对所述疲劳寿命数据组提取特征变量，根据所述物理模型评估各特征变量作为输入变量时对疲劳寿命的贡献度，并对各输入特征变量的重要性进行排序，进而筛选出关键特征变量作为输入变量，对应所述输入变量形成数据驱动模型目标函数Zm，并将数据驱动模型目标函数Zm嵌入机器学习算法中获得中间计算值Zm，如附图1所示；
步骤S3：将通过不同模型获得的中间计算值的进行关联并拟合，利用决定系数R2来评估数据驱动模型目标函数Zm的预测精度；当R2数值大于等于0.9时，判定所述驱动模型目标函数Zm的预测准确，进一步采用所述数据驱动运算得到的中间值Zm与搜集到的疲劳数据关联建模，对材料的超高周疲劳寿命进行预测。
本实施例中，步骤S1中的所述搜集焊接结构材料的超高周疲劳寿命数据为从已有文献中搜集到的焊接结构的材料信息及对应的超高周疲劳寿命数据；在步骤S3中当R2数值小于0.9时，返回步骤S1。
本实施例中，采用步骤S1中所搜集焊接结构材料的超高周疲劳寿命数据作为测试集和训练集，或者重新搜集焊接结构材料的超高周疲劳寿命数据作为测试集和训练集；其中采用步骤S1中所搜集焊接结构材料的超高周疲劳寿命数据作为训练集时可减少数据收集时间，方便处理；而重新搜集焊接结构材料的超高周疲劳寿命数据作为训练集，则可通过不同的数据搜集方式验证数据驱动模型目标函数Zm的准确性。
在步骤S3之后还包括步骤S4：将所述训练集输入至嵌入目标函数的机器学习算法中对所述数据驱动模型目标函数Zm进行训练优化。这样经机器学习算法训练优化后的数据驱动模型目标函数Zm的准确度更高。
可理解的是，也可利用所述测试集和训练集对所述数据驱动模型目标函数Zm进行定量评估其准确度和整体运算性能。
本实施例中，在对所述数据驱动模型目标函数Zm进行训练优化时，将训练集的中间计算值Zm和疲劳寿命关联并拟合。
本实施例中，步骤S1中的所述材料缺陷的几何特征为缺陷投影面积的平方根和缺陷的相对位置；所述疲劳试验工况参数为试验温度、试棒直径、应力幅和应力比。
本实施例中，借助图像分析软件(Image Plus Pro)从疲劳断口扫描电镜照片上测量缺陷的几何特征尺寸；所述缺陷投影面积是运用图像分析方式从疲劳断口扫描电镜照片上测量缺陷的横截面面积。
本实施例中，所述缺陷的相对位置用D表示，其计算公式为：D＝(d-dinc)/d；其中d为疲劳试棒直径，dinc为缺陷的中心点到试棒外侧表面的最小距离，所述dinc是运用图像分析方式从疲劳断口扫描电镜照片上测量缺陷的中心点到试棒外侧表面的最小距离，如附图2所示。
本实施例中，步骤S1中的物理模型用ZP表示，计算公式为：Zp＝σa(area)1/6Dβ；其中，σa为疲劳应力幅，area为微缺陷投影面积，D为缺陷的相对位置，β为材料常数。材料常数为材质特性的常数，如杨氏模量。
本实施例中，步骤S2中的数据驱动模型目标函数为其中σa为疲劳应力幅，/>为微缺陷投影面积的平方根，D为缺陷的相对位置，T为疲劳试验温度，r为应力比。
本实施例中，步骤S2中将数据驱动模型目标函数Zm嵌入支持向量机(SVM)算法运算获得中间计算值Zm。因此可参考图1所示，根据训练集及最优SVM模型驱动获得中间值Zm，在R2数值大于等于0.9时，判定所述驱动模型目标函数Zm的预测准确，筛选出的驱动模型目标函数Zm为最优的数据驱动模型。
本实施例中，步骤S2中将物理模型Zp和SVM模型进行融合，其流程为：
1.目标：寻找一个超平面，使得离超平面比较近的点有最大的间距
其中，
2.简化模型：根据函数距离和几何距离可以得知，w和b增加时候，几何距离不变，故通过同倍数增加w和b使的支持向量(距离超平面最近的样本点)上样本代入y(w*x+b)＝1，而不影响上面公式的优化，使样本点距离：y(w·x+b)>＝1，把此条件代入上面优化公式后，可以获取新的优化公式：
s.t. yi(WT·Φ(xi)+b)≥1,i＝1,2,3,...,n；
优化最大化分数，转化为优化最小化分母，为了优化方便转化为：
s.t. yi(WT·Φ(xi)+b)≥1,i＝1,2,3,...,n；
使用拉格朗日公式和KTT条件优化公式转化为：
3.构造并求解约束最优化问题：
计算
4.求得分离超平面
w*Φ(x)+b*＝0。
5.目标分类决策函数为
f(x)＝sign(w*Φ(x)+b*)
其中，
本实施例基于MATLAB软件平台，将原始的超高周疲劳寿命数据组随机分为测试集和训练集，利用训练集对SVM模型进行训练，随后将测试集的输入数据输入到训练完成后的SVM模型，得到相对应的预测值，将预测值与测试集的对数输出值进行比较，验证SVM模型的精度。
本申请将中间计算值Zm和疲劳寿命关联，即可获得工程材料的超高周寿命预测型。
本发明采用的有益效果为：首次，建模所需数据完全从文献中获取，利用更加全面的材料及工况信息借助数据驱动方法建立模型对工程材料的超高周疲劳寿命进行预测，无需测试，成本低，省时、省力。其次，将已有的理论模型与机器学习模型进行数据融合驱动，并采用决定系数R2来评估数据驱动方法的预测精度，根据特征变量选择适用的数据驱动目标函数，效率高，应用广，如附图3所示。最后，该方法很容易推广应用至工程材料的力学性能预测，尤其适合焊接材料的超高周疲劳寿命预测，如附图4所示。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例的技术方案的范围。
Claims (5)
1.一种数据驱动的工程材料超高周疲劳寿命预测方法，其特征在于，包括：
步骤S1：搜集工程材料的材料信息及超高周疲劳寿命数据分别作为测试集和训练集，将其进行十折交叉验证；所述十折交叉验证为将数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，将10次试验所得到的测试集与训练集对比所得到的R2作为评估数据驱动性能的指标；每一个疲劳寿命数据组均包括材料缺陷的几何特征、疲劳试验工况参数、相对应到的疲劳寿命以及依据物理模型得到的中间计算值Zp；步骤S1中的所述材料缺陷的几何特征为缺陷投影面积的平方根和缺陷的相对位置；所述疲劳试验工况参数为试验温度、试棒直径、应力幅和应力比；所述缺陷的相对位置用D表示，其计算公式为：
D＝(d-dinc)/d；
其中d为疲劳试棒直径，dinc为缺陷的中心点到试棒外侧表面的最小距离，所述dinc是运用图像分析软件从疲劳断口扫描电镜照片上测量缺陷的中心点到试棒外侧表面的最小距离；步骤S1中的物理模型用Zp表示，计算公式为：
Zp＝σa(area)1/6Dβ；
其中，σa为疲劳应力幅，area为微缺陷投影面积，D为缺陷的相对位置，β为材料常数；
步骤S2：对所述疲劳寿命数据组提取特征变量，根据所述物理模型评估各特征变量作为输入变量时对疲劳寿命的贡献度，并对各输入特征变量的重要性进行排序，进而筛选出关键特征变量作为输入变量，对应所述输入变量形成数据驱动模型目标函数Zm，并将数据驱动模型目标函数Zm嵌入机器学习算法中获得中间计算值；步骤S2中的数据驱动模型目标函数为；其中σa为疲劳应力幅，/>为微缺陷投影面积的平方根，D为缺陷的相对位置，T为疲劳试验温度，r为应力比；
步骤S3：将通过不同模型获得的中间计算值的进行关联并拟合，利用决定系数R2来评估数据驱动模型目标函数Zm的预测精度；当R2数值大于等于0.9时，判定所述数据驱动模型目标函数Zm的预测准确，进一步采用所述数据驱动运算得到的中间计算值与搜集到的疲劳数据关联建模，对工程材料的超高周疲劳寿命进行预测。
2.根据权利要求1所述的一种数据驱动的工程材料超高周疲劳寿命预测方法，其特征在于，步骤S1中所搜集工程材料的超高周疲劳寿命数据为从已有文献中搜集到的材料信息及对应的超高周疲劳寿命数据；在步骤S3中当R2数值小于0.9时，返回步骤S1。
3.根据权利要求1所述的一种数据驱动的工程材料超高周疲劳寿命预测方法，其特征在于，采用步骤S1中所搜集工程材料的超高周疲劳寿命数据作为测试集和训练集；
在步骤S3之后还包括：
步骤S4：将所述训练集数据输入至嵌入数据驱动模型目标函数Zm的机器学习算法中对所述数据驱动模型进行训练优化。
4.根据权利要求3所述的一种数据驱动的工程材料超高周疲劳寿命预测方法，其特征在于，在对所述数据驱动模型进行训练优化后，若R2数值大于或者等于0.9时，将训练后的中间计算值和疲劳寿命关联并拟合。
5.根据权利要求1所述的一种数据驱动的工程材料超高周疲劳寿命预测方法，其特征在于，所述缺陷投影面积是运用图像分析软件从疲劳断口扫描电镜照片上测量缺陷的横截面面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111105443.3A CN113807016B (zh) | 2021-09-22 | 2021-09-22 | 一种数据驱动的工程材料超高周疲劳寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111105443.3A CN113807016B (zh) | 2021-09-22 | 2021-09-22 | 一种数据驱动的工程材料超高周疲劳寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113807016A CN113807016A (zh) | 2021-12-17 |
| CN113807016B true CN113807016B (zh) | 2024-05-07 |
Family
ID=78939932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111105443.3A Active CN113807016B (zh) | 2021-09-22 | 2021-09-22 | 一种数据驱动的工程材料超高周疲劳寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113807016B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810101A (zh) * | 2014-02-19 | 2014-05-21 | 北京理工大学 | 一种软件缺陷预测方法和软件缺陷预测系统 |
| CN111814880A (zh) * | 2020-07-10 | 2020-10-23 | 北京航空航天大学 | 一种基于贝叶斯最优化XGBoost算法的疲劳预测方法 |
| CN112214933A (zh) * | 2020-10-20 | 2021-01-12 | 集萃新材料研发有限公司 | 一种基于机器学习的疲劳性能预测方法 |
| CN112685857A (zh) * | 2020-12-31 | 2021-04-20 | 西安交通大学 | 基于传递迁移的轴承剩余寿命预测方法 |
| CN113033105A (zh) * | 2021-04-06 | 2021-06-25 | 东北大学 | 基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法 |
-
2021
- 2021-09-22 CN CN202111105443.3A patent/CN113807016B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810101A (zh) * | 2014-02-19 | 2014-05-21 | 北京理工大学 | 一种软件缺陷预测方法和软件缺陷预测系统 |
| CN111814880A (zh) * | 2020-07-10 | 2020-10-23 | 北京航空航天大学 | 一种基于贝叶斯最优化XGBoost算法的疲劳预测方法 |
| CN112214933A (zh) * | 2020-10-20 | 2021-01-12 | 集萃新材料研发有限公司 | 一种基于机器学习的疲劳性能预测方法 |
| CN112685857A (zh) * | 2020-12-31 | 2021-04-20 | 西安交通大学 | 基于传递迁移的轴承剩余寿命预测方法 |
| CN113033105A (zh) * | 2021-04-06 | 2021-06-25 | 东北大学 | 基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于机器学习的钢铁性能预测与优化;严锋;硕士学位论文;20210410;41-56 * |
| 岸桥金属材料与焊接结构寿命预测;陈琛;潘文超;;机械科学与技术;20180523(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113807016A (zh) | 2021-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pan et al. | A novel method of vibration modes selection for improving accuracy of frequency-based damage detection | |
| Davoudi et al. | Data-driven vision-based inspection for reinforced concrete beams and slabs: Quantitative damage and load estimation | |
| CN111795978B (zh) | 一种钢桥结构健康状态评估方法、装置、设备及存储介质 | |
| CN110968618B (zh) | 一种挖掘焊接参数量化关联规则的方法及应用 | |
| CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
| CN113807016B (zh) | 一种数据驱动的工程材料超高周疲劳寿命预测方法 | |
| Katam et al. | A review on structural health monitoring: past to present | |
| AU2021101715A4 (en) | A transfer learning based model for fatigue crack initiation sites detection | |
| CN117422990A (zh) | 一种基于机器学习的桥梁结构分类与评估方法 | |
| Imani et al. | Image-guided multi-response modeling and characterization of design defects in metal additive manufacturing | |
| Padmapoorani et al. | Machine learning techniques for structural health monitoring of concrete structures: A systematic review | |
| Mendikute et al. | Predicting the effect of voids generated during RTM on the low-velocity impact behaviour by machine learning-based surrogate models | |
| CN116741315A (zh) | 一种针对地聚物混凝土强度进行预测方法 | |
| Ehtisham et al. | Classification of defects in wooden structures using pre-trained models of convolutional neural network | |
| Scott et al. | A structural PHM framework for aircraft control surface free-play | |
| KR102489743B1 (ko) | 소재의 크리프 수명 예측 방법 및 이를 위한 시스템 | |
| Alshawabkeh et al. | Automated Pavement Crack Detection Using Deep Feature Selection and Whale Optimization Algorithm. | |
| CN117253568B (zh) | 一种制备氧化钇坩埚的涂层工艺优化方法及系统 | |
| Nazaré et al. | Green-Box System Identification and Carbon Footprint Analysis for Sustainable Computing | |
| Sato et al. | Identification and Interpretation of Melt Pool Shapes in Laser Powder Bed Fusion with Machine Learning | |
| US20230132487A1 (en) | Design of engineering components | |
| CN117592223B (zh) | 一种面向航空航天材料的孔加工刀具智能设计方法 | |
| CN117807659A (zh) | 一种建筑结构缺陷检测和纠正方法及系统 | |
| US20230140028A1 (en) | Engineering components | |
| Liu et al. | Deep learning-based defect detection for printed circuit boards |
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 |