CN114021481B - 一种基于融合物理神经网络的蠕变疲劳寿命预测方法 - Google Patents
一种基于融合物理神经网络的蠕变疲劳寿命预测方法 Download PDFInfo
- Publication number
- CN114021481B CN114021481B CN202111392443.6A CN202111392443A CN114021481B CN 114021481 B CN114021481 B CN 114021481B CN 202111392443 A CN202111392443 A CN 202111392443A CN 114021481 B CN114021481 B CN 114021481B
- Authority
- CN
- China
- Prior art keywords
- neural network
- fatigue life
- physical
- creep
- network model
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 239000000463 material Substances 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 18
- 238000010801 machine learning Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 4
- 229910000963 austenitic stainless steel Inorganic materials 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 229910001566 austenite Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009661 fatigue test Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明涉及一种基于融合物理神经网络的蠕变疲劳寿命预测方法,包括以下步骤:S1:获取目标部件材料的初始特征和蠕变疲劳寿命;S2:通过融合物理特征工程计算扩展特征;S3:对输入特征和输出特征进行敏感性分析;S4:对输入特征和输出特征进行预处理;S5:搭建深层神经网络模型;S6:搭建融合物理神经网络模型;S7:模型训练和参数优化;S8:蠕变疲劳寿命预测;S9:模型更新。本发明的基于融合物理神经网络的蠕变疲劳寿命预测方法,通过在深层神经网络模型中纳入融合物理损失函数,限定模型的输出值范围,从而对神经网络模型纳入物理约束,使得预测结果更准确。
Description
技术领域
本发明涉及蠕变疲劳寿命预测领域,更具体地涉及一种基于融合物理神经网络的蠕变疲劳寿命预测方法。
背景技术
汽轮机、热交换器等高温装备在运行过程中存在启动、停机及稳态运行等工况,这会引起蠕变-疲劳损伤累积,进而导致装备失效。通常,疲劳损伤表现为穿晶裂纹的萌生与扩展,而蠕变损伤表现为蠕变孔洞的萌生、扩展及连结。两种失效机理的交互作用,使得蠕变-疲劳失效行为非常复杂。为减少因蠕变-疲劳失效造成的经济损失及重大威胁,有必要开展高温装备及部件的蠕变-疲劳寿命预测。
在过去几十年中,研究人员提出了许多蠕变-疲劳寿命预测方法,其中工程界广泛使用线性损伤累积方法。线性损伤累积模型分别计算蠕变损伤及疲劳损伤,并且使用蠕变-疲劳损伤包络线计算蠕变-疲劳失效寿命。其中,疲劳损伤为实际周次与许用周次的比值,而蠕变损伤为实际保持时间与许用蠕变断裂时间的比值。典型的线性损伤累积模型包括时间分数模型、延性耗竭模型、应变能密度耗散模型等。然而,随着数据量的增加、数据分散性加大,导致传统蠕变-疲劳寿命预测出现显著偏离。
近年来,作为机器学习的分类之一,深度学习在图像识别及语言理解领域的突破引起了研究人员的广泛关注。机器学习可以同时考虑多种影响因素,减小数据分散性对预测结果产生的影响。部分研究人员将机器学习方法用于解决结构完整性领域的问题,例如蠕变断裂寿命预测及疲劳裂纹扩展寿命预测等。尽管机器学习在工程上已经得到了一些应用,但是作为一种黑箱模型,缺少物理约束,人们对它的可靠性存在怀疑。
发明内容
本发明的目的在于提供一种基于融合物理神经网络的蠕变疲劳寿命预测方法,通过融合物理特征工程在神经网络模型中纳入物理约束,从而准确预测蠕变疲劳寿命。
本发明提供一种基于融合物理神经网络的蠕变疲劳寿命预测方法,包括以下步骤:
S1:获取目标部件材料的初始特征,并根据所述初始特征得到材料的蠕变疲劳寿命;
S2:根据所述初始特征,通过融合物理特征工程计算扩展特征;
S3:将初始特征和扩展特征作为输入特征,蠕变疲劳寿命作为输出特征,并对输入特征和输出特征进行敏感性分析;
S4:对所述输入特征进行归一化,对所述输出特征取对数;
S5:搭建深层神经网络模型;
S6:搭建融合物理神经网络模型;
S7:利用归一化的输入特征和取对数后的输出特征对融合物理神经网络模型进行训练,并对所述融合物理神经网络的参数进行优化;
S8:将待测材料归一化后的初始特征和扩张特征输入至参数优化后的融合物理神经网络模型中,得到待测材料的蠕变疲劳寿命;
S9:对参数优化后的融合物理神经网络模型进行更新。
进一步地,所述初始特征包括载荷条件和材料的化学成分。
进一步地,所述载荷条件包括应变幅、加载速率、温度和保载时间。
进一步地,所述扩展特征包括屈服强度、堆叠层错能、纯疲劳寿命及蠕变断裂寿命。
进一步地,步骤S3的敏感性分析为利用皮尔森相关系数衡量输入特征和输出特征的线性相关程度。
进一步地,所述皮尔森相关系数满足如下关系式:
其中,Corr(Xi,Y)为皮尔森相关系数,Xi为输入特征,Y为输出特征,Cov为协方差,Var为方差。
进一步地,步骤S5包括:通过试错法确定深层神经网络模型的隐含层层数和每层神经元数量。
进一步地,步骤S6包括:通过添加融合物理损失函数项,将所述融合物理神经网络模型的输出限定在0至105小时以内。
进一步地,所述融合物理损失函数项满足如下关系式:
其中,Lphy,1、Lphy,2为融合物理损失函数项,为蠕变-疲劳预测寿命;N表示训练集样本数量;ReLU为线性整流函数,当输入小于0时,输出为0,当输入大于0时,输出值等于输入值;λ1、λ2、λ3为常数,λ1、λ2通过试错法确定,λ3为数据集中蠕变疲劳寿命上限。
进一步地,步骤S9包括:通过添加新数据和更新算法对参数优化后的融合物理神经网络模型进行更新。
本发明的基于融合物理神经网络的蠕变疲劳寿命预测方法,通过在深层神经网络模型中纳入融合物理损失函数,限定模型的输出值范围,从而对神经网络模型纳入物理约束,使得预测结果更准确。
附图说明
图1是根据本发明实施例的基于融合物理神经网络的蠕变疲劳寿命预测方法的流程图;
图2示出根据本发明实施例的输入特征与输出特征之间的皮尔森相关系数绝对值;
图3A示出了未利用融合物理损失函数的神经网络模型的预测结果,图3B示出了本发明的融合神经网络模型的预测结果图。
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融合物理神经网络的蠕变疲劳寿命预测方法,包括以下步骤:
S1:获取目标部件材料的初始特征,包括载荷条件(应变幅Δεa、加载速率温度T、保载时间th)、化学成分(C、Si、Mn、P、S、Ni等)等常规预测特征,然后根据初始特征得到材料的蠕变疲劳寿命Ncf;
上述初始特征和蠕变疲劳寿命均可通过试验或文献调研获得。
S2:通过融合物理特征工程计算扩展特征,包括屈服强度Sy、堆叠层错能γSFE、纯疲劳寿命Nf及蠕变断裂寿命tr等;
融合物理特征工程是指利用步骤S1中的初始特征和物理规则计算扩展特征的方法,相比于初始特征,扩展特征更能表达材料的蠕变疲劳性能。此处物理规则与扩展特征种类相关,比如利用应变范围及纯疲劳寿命的物理关系计算纯疲劳寿命;利用材料成分含量与层错能的关系计算层错能等。
S3:将初始特征和扩展特征作为输入特征,蠕变疲劳寿命作为输出特征,并对输入特征和输出特征进行敏感性分析;
具体地,利用皮尔森相关系数衡量输入特征及输出特征的线性相关程度,具体公式如下:
其中,Corr(Xi,Y)为相关系数,Xi为输入特征,Y为输出特征,Cov为协方差,Var为方差。
通过敏感性分析可量化输入及输出之间的相关程度,通过比较扩展特征和初始特征的相关系数大小,可说明扩展特征对于改善预测结果的潜力。
S4:对输入特征进行归一化,对输出特征取对数;
归一化和取对数的公式如下:
yi=log10Yi
其中,xi为归一化后的特征值;Xmax及Xmin为数据集内指定特征的最大值及最小值,数据集内Xmax及Xmin为定值;yi为取对数后的蠕变-疲劳寿命;Yi为蠕变-疲劳寿命。
S5:搭建深层神经网络模型;
深层神经网络模型是一种特殊的机器学习模型,可以在Tensorflow等基于Python编程语言的深度学习库进行搭建。通过试错法确定隐含层层数及每层神经元数量,从而完成深层神经网络模型的创建。
S6:搭建融合物理神经网络模型;
一般从两个角度搭建融合物理神经网络,一是在深层神经网络模型中加入物理规则层,二是通过调整深层神经网络模型的损失函数,对融合物理神经网络模型的输出进行约束。例如,可通过添加额外损失函数项,将模型的输出结果限定在0至105小时以内。融合物理损失函数添加项如下所示:
其中Lphy,1、Lphy,2为损失函数添加项,为蠕变-疲劳预测寿命;N表示训练集样本数量;ReLU为线性整流函数,当输入小于0时,输出为0;当输入大于0时,输出值等于输入值;λ1、λ2、λ3为常数,λ1、λ2通过试错法确定,λ3为数据集蠕变-疲劳寿命上限,此处取值为5。
S7:利用归一化的输入特征和取对数后的输出特征对融合物理神经网络模型进行训练,并对融合物理神经网络的参数进行优化;
机器学习模型的训练过程为本领域公知,此处不再赘述。融合物理神经网络模型需优化的参数包括融合物理损失函数中的λ1及λ2,可通过试错法确定,当满足预定精度要求时,参数优化完成。
S8:将待测材料归一化后的初始特征和扩张特征输入至参数优化后的融合物理神经网络模型中,得到待测材料的蠕变疲劳寿命;
参数优化完成后,即可将融合物理神经网络模型用于蠕变疲劳寿命预测,具体地,先确定待测材料的初始特征,并根据初始特征计算扩张特征,然后对初始特征和扩张特征进行归一化并输入至融合物理神经网络模型中,融合物理神经网络模型输出取对数的蠕变疲劳寿命,通过计算可得到待测材料的实际蠕变疲劳寿命。
S9:对融合物理神经网络模型进行更新;
模型创建后,一方面可以通过向数据集添加新的数据进一步改善模型的预测精度;另一方面,随着新算法新方法的提出,模型的表达能力不断增强,通过更新算法也可以不断提高融合物理神经网络模型的蠕变疲劳寿命预测精度。此外,程序语言本身会有版本的更新,模型建立后,需要随着程序语言的版本更新模型。
下面将以某核反应堆材料316奥氏体不锈钢为例,具体说明本发明的基于融合物理神经网络的蠕变疲劳寿命预测方法的步骤,其工作温度范围为550℃-750℃:
S1’:从公开发表文献中收集到145组316奥氏体不锈钢的初始特征,所有的初始特征均是由应变控制蠕变疲劳试验得到,试验应变比为-1,载荷谱为仅峰值保载的梯形波;
S2’:通过融合物理特征工程计算扩展特征;
其中屈服强度、纯疲劳寿命及蠕变断裂寿命是利用ASME III-NH规范的相关数据并结合一定的物理模型计算而来。具体而言,ASME III-NH提供了不同温度下的屈服强度数据,可以通过插值的方法计算未提供温度的屈服强度值。ASME III-NH给出了316奥氏体不锈钢在不同温度下的疲劳设计曲线,可以通过该曲线确定纯疲劳寿命。利用ASME III-NH给出的蠕变断裂曲线数据,结合Larson-Miller模型可以较为方便的计算蠕变断裂寿命。Larson-Miller模型如下:
PLM=(T+273)·(C+lgtr)=a′·(lgS)2+b′·lgS+c′
式中,PLM为Larson-Miller参数;T为温度,℃;C为常数,此处取20;tr为蠕变断裂时间,h;S为应力,MPa;a’、b’、c’为拟合参数。
层错能是通过以下经验公式计算得到的:
γSFE=γ0+1.59Ni-1.34Mn+0.06Mn 2-1.75Cr+0.01Cr 2+15.21MO-5.59Si-60.69(C+1.2N)1/2+26.27(C+1.2N)×(Cr+Mn+MO12+0.61Ni·Cr+Mn12
式中,γSFE为室温下的层错能值;γ0为纯奥氏体在室温下的层错能,此处为39mJ/m2;成分符号表示质量分数。
由于初始特征有145组,因此扩展特征也为145组。初始特征和扩展特征的种类及符号如下表1所示:
表1特征种类及符号
S3’:计算不同的初始特征和扩展特征与蠕变疲劳寿命之间的皮尔森相关系数;
如图2所示,可以看出扩展特征与蠕变疲劳寿命之间均具有较高的线性相关性,其中,纯疲劳寿命Nf、蠕变断裂寿命tr与蠕变疲劳寿命具有最高的相关性。
S4’:对所有初始特征和扩展特征进行归一化处理,对蠕变疲劳寿命取以10为底的对数;
S5’:搭建深层神经网络模型;
此处神经网络结构为13/17-13-10-8-6-4-1,其中第一个“13/17”表示输入层神经元数量为13,“13、10、8、6、4”分别表示5个隐含层的神经元数量,“1”表示输出层神经元数量。
S6’:搭建融合物理神经网络模型;
此处通过限定模型输出值范围,纳入融合物理损失函数。损失函数添加项如下所示:
此时,λ3=5。
S7’:利用归一化的输入特征和取对数后的输出特征对融合物理神经网络模型进行训练,并对融合物理神经网络的参数进行优化;
对于融合物理神经网络模型,选用ReLU激活函数,学习率为0.01;将步骤S4’中归一化的输入特征作为输入,取对数后输出特征作为输出,对融合物理神经网络模型进行训练,并通过试错法确定λ1=0.1,λ2=0.05。
S8’:将待测材料归一化后的初始特征和扩张特征输入至参数优化后的融合物理神经网络模型中,得到待测材料的蠕变疲劳寿命;
参数优化后,将待测材料归一化的初始特征和扩展特征作为输入,利用参数优化后的融合物理神经网络模型预测蠕变疲劳寿命。如图3A所示为未利用融合物理损失函数的神经网络模型的预测结果,图3B为使用本发明的融合物理神经网络模型得到的结果,图中扩展特征是指利用扩展特征作为输入得到的结果,初始特征是指仅利用初始特征作为输入得到的结果,比较图3A和图3B可以看出,使用扩展特征作为输入可以得到比初始特征更高的预测精度,使用融合物理损失函数可以改善蠕变-疲劳寿命预测精度。总的来说,本发明的融合物理神经网络模型可以显著改善蠕变疲劳寿命预测精度。
S9’:模型更新;
融合物理神经网络模型创建后,可通过添加数据及更新算法提高模型的表达能力。
本发明实施例提供的基于融合物理神经网络的蠕变疲劳寿命预测方法,通过在深层神经网络模型中纳入融合物理损失函数,限定模型的输出值范围,从而对神经网络模型纳入物理约束,使得预测结果更准确。
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 (8)
1.一种基于融合物理神经网络的蠕变疲劳寿命预测方法,其特征在于,包括以下步骤:
S1:获取目标部件材料的初始特征,并根据所述初始特征得到材料的蠕变疲劳寿命;
S2:根据所述初始特征,通过融合物理特征工程计算扩展特征;
S3:将初始特征和扩展特征作为输入特征,蠕变疲劳寿命作为输出特征,并对输入特征和输出特征进行敏感性分析;
S4:对所述输入特征进行归一化,对所述输出特征取对数;
S5:搭建深层神经网络模型;
S6:搭建融合物理神经网络模型;步骤S6包括:通过添加融合物理损失函数项,将所述融合物理神经网络模型的输出限定在0至105小时以内;所述融合物理损失函数项满足如下关系式:
其中,Lphy,1、Lphy,2为融合物理损失函数项,为蠕变-疲劳预测寿命;N表示训练集样本数量;ReLU为线性整流函数,当输入小于0时,输出为0,当输入大于0时,输出值等于输入值;λ1、λ2、λ3为常数,λ1、λ2通过试错法确定,λ3为数据集中蠕变疲劳寿命上限;
S7:利用归一化的输入特征和取对数后的输出特征对融合物理神经网络模型进行训练,并对所述融合物理神经网络的参数进行优化;
S8:将待测材料归一化后的初始特征和扩张特征输入至参数优化后的融合物理神经网络模型中,得到待测材料的蠕变疲劳寿命;
S9:对参数优化后的融合物理神经网络模型进行更新。
2.根据权利要求1所述的基于融合物理神经网络的蠕变疲劳寿命预测方法,其特征在于,所述初始特征包括载荷条件和材料的化学成分。
3.根据权利要求2所述的基于融合物理神经网络的蠕变疲劳寿命预测方法,其特征在于,所述载荷条件包括应变幅、加载速率、温度和保载时间。
4.根据权利要求1所述的基于融合物理神经网络的蠕变疲劳寿命预测方法,其特征在于,所述扩展特征包括屈服强度、堆叠层错能、纯疲劳寿命及蠕变断裂寿命。
5.根据权利要求1所述的基于融合物理神经网络的蠕变疲劳寿命预测方法,其特征在于,步骤S3的敏感性分析为利用皮尔森相关系数衡量输入特征和输出特征的线性相关程度。
6.根据权利要求5所述的基于融合物理神经网络的蠕变疲劳寿命预测方法,其特征在于,所述皮尔森相关系数满足如下关系式:
其中,Corr(Xi,Y)为皮尔森相关系数,Xi为输入特征,Y为输出特征,Cov为协方差,Var为方差。
7.根据权利要求1所述的基于融合物理神经网络的蠕变疲劳寿命预测方法,其特征在于,步骤S5进一步包括:通过试错法确定深层神经网络模型的隐含层层数和每层神经元数量。
8.根据权利要求1所述的基于融合物理神经网络的蠕变疲劳寿命预测方法,其特征在于,步骤S9包括:通过添加新数据和更新算法对参数优化后的融合物理神经网络模型进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111392443.6A CN114021481B (zh) | 2021-11-19 | 2021-11-19 | 一种基于融合物理神经网络的蠕变疲劳寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111392443.6A CN114021481B (zh) | 2021-11-19 | 2021-11-19 | 一种基于融合物理神经网络的蠕变疲劳寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114021481A CN114021481A (zh) | 2022-02-08 |
CN114021481B true CN114021481B (zh) | 2024-03-08 |
Family
ID=80065661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111392443.6A Active CN114021481B (zh) | 2021-11-19 | 2021-11-19 | 一种基于融合物理神经网络的蠕变疲劳寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021481B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114563268B (zh) * | 2022-02-22 | 2024-04-26 | 杭州电子科技大学 | 一种基于软约束神经网络模型预测高温合金蠕变性能的方法 |
CN114781250A (zh) * | 2022-04-11 | 2022-07-22 | 西南交通大学 | 一种基于机器学习的多因素影响环境疲劳寿命预测方法 |
CN114741922B (zh) * | 2022-04-11 | 2024-02-23 | 西安交通大学 | 一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法 |
CN116401935A (zh) * | 2023-02-21 | 2023-07-07 | 哈尔滨工业大学 | 一种建筑动态热负荷神经网络预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004324598A (ja) * | 2003-04-28 | 2004-11-18 | Mazda Motor Corp | エンジン部品の破壊予測方法、破壊予測システム及びその制御プログラム |
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 |
-
2021
- 2021-11-19 CN CN202111392443.6A patent/CN114021481B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004324598A (ja) * | 2003-04-28 | 2004-11-18 | Mazda Motor Corp | エンジン部品の破壊予測方法、破壊予測システム及びその制御プログラム |
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 (2)
Title |
---|
纪冬梅 ; 轩福贞 ; 涂善东 ; 姚秀平 ; .基于支持向量机的P91钢蠕变-疲劳寿命预测.压力容器.2011,(10),全文. * |
谢春磊 ; 张勇 ; 耿红斌 ; 王学营 ; .基于BP神经网络的沥青混合料疲劳性能预测模型.重庆交通大学学报(自然科学版).2017,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114021481A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114021481B (zh) | 一种基于融合物理神经网络的蠕变疲劳寿命预测方法 | |
Zhang et al. | A physics-informed neural network for creep-fatigue life prediction of components at elevated temperatures | |
Zhan et al. | A novel approach based on the elastoplastic fatigue damage and machine learning models for life prediction of aerospace alloy parts fabricated by additive manufacturing | |
Li et al. | Improved multiple point nonlinear genetic algorithm based performance adaptation using least square method | |
Li et al. | Deep learning regression-based stratified probabilistic combined cycle fatigue damage evaluation for turbine bladed disks | |
Feiner et al. | Mistuning identification of bladed disks using a fundamental mistuning model—Part I: Theory | |
Li et al. | Nonlinear multiple points gas turbine off-design performance adaptation using a genetic algorithm | |
Verstraete et al. | Design and optimization of the internal cooling channels of a high pressure turbine blade—Part II: Optimization | |
Choi | Data-driven materials modeling with XGBoost algorithm and statistical inference analysis for prediction of fatigue strength of steels | |
Wang et al. | Fatigue-life prediction of additively manufactured metals by continuous damage mechanics (CDM)-informed machine learning with sensitive features | |
Gao et al. | An integrated reliability approach with improved importance sampling for low-cycle fatigue damage prediction of turbine disks | |
Cui et al. | Two lifetime estimation models for steam turbine components under thermomechanical creep–fatigue loading | |
CN102706573A (zh) | 一种设备的故障分类诊断方法 | |
CN111310348A (zh) | 一种基于pso-lssvm的材料本构模型预测方法 | |
Yazdani et al. | Continuum damage mechanics analysis of thin-walled tube under cyclic bending and internal constant pressure | |
Song et al. | Multi-surrogate collaboration approach for creep-fatigue reliability assessment of turbine rotor | |
Ma et al. | Modeling constitutive relationship of BT25 titanium alloy during hot deformation by artificial neural network | |
Mathew et al. | A neural network model to predict low cycle fatigue life of nitrogen-alloyed 316L stainless steel | |
CN116611348A (zh) | 基于机器学习的金属材料统一无参数疲劳寿命预测方法 | |
Kong et al. | Prediction of creep life using an explainable artificial intelligence technique and alloy design based on the genetic algorithm in creep-strength-enhanced ferritic 9% Cr steel | |
Faghihi et al. | A probabilistic design method for fatigue life of metallic component | |
Wang et al. | Surrogate-modeling-assisted creep-fatigue reliability assessment in a low-pressure turbine disc considering multi-source uncertainty | |
Zhu et al. | Machine learning-based probabilistic fatigue assessment of turbine bladed disks under multisource uncertainties | |
Yue et al. | Probabilistic framework for reliability analysis of gas turbine blades under combined loading conditions | |
Ravi | Data-driven modeling of multiaxial fatigue of structures in frequency domain |
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 |