CN114595625A - 一种基于数据驱动方法的焊接结构疲劳性能分析方法 - Google Patents
一种基于数据驱动方法的焊接结构疲劳性能分析方法 Download PDFInfo
- Publication number
- CN114595625A CN114595625A CN202210087336.0A CN202210087336A CN114595625A CN 114595625 A CN114595625 A CN 114595625A CN 202210087336 A CN202210087336 A CN 202210087336A CN 114595625 A CN114595625 A CN 114595625A
- Authority
- CN
- China
- Prior art keywords
- fatigue performance
- data
- fatigue
- analyzing
- influence factors
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003466 welding Methods 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000009661 fatigue test Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G06F30/27—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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- 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
- G06N3/08—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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于数据驱动方法的焊接结构疲劳性能分析方法，涉及焊接结构疲劳性能分析领域，本发明包括以下步骤：获取疲劳性能数据，建立多尺度疲劳性能数据库，所述数据库中的数据分为训练数据和测试数据；分别利用皮尔逊相关系数和最大信息系数对疲劳性能与影响因素之间的线性相关程度和非线性相关程度分析；基于优化梯度提升算法，对疲劳性能影响因素的权重定量分析；利用所述训练数据对深度卷积神经网络进行训练；将疲劳性能影响因素输入到训练好的卷积神经网络，得到预测参数曲线；根据预测参数曲线提取疲劳寿命。本发明能够实现复杂焊接结构件在不同材料、形状、尺寸、加工工艺以及服役条件下的准确、稳定疲劳寿命预测。
Description
技术领域
本发明涉及焊接结构疲劳性能分析领域，尤其涉及一种基于数据驱动方法的焊接结构疲劳性能分析方法。
背景技术
一直以来，焊接结构的疲劳性能由于疲劳测试人力物力消耗大，特别是焊接结构件的疲劳行为受到的影响因素多、离散性大等问题难以进行系统分析。对于疲劳性能的研究通常可以分为五种方法：试验方法、解析解方法、数值模拟方法、人工智能技术以及现阶段专家经验与数据驱动方法的结合方法。当今基于人工智能技术开展的疲劳寿命预测结果表明，混合智能算法是准确预测疲劳寿命的一种有效手段。然而，目前疲劳寿命的预测多是基于机器学习以及深度学习对某一应力水平条件下的疲劳寿命进行直接预测，但是由于疲劳性能的离散性，容易导致误差特别大的预测结果，因此难以稳定描述焊接结构的疲劳性能。
此外，焊接结构件的疲劳行为受到的影响因素多，目前基于属性约减的疲劳寿命预测方法往往导致疲劳性能的可识别特征少、针对性欠缺，因此预测精度欠佳。特别是不同的焊接结构件在不同的服役环境下主导因素的不同，更需要多种疲劳寿命影响因素的综合考虑。
发明内容
有鉴于此，基于数据驱动的方法，结合各影响因素对疲劳性能影响规律的经验解，提出一种基于数据驱动方法的焊接结构疲劳性能分析方法，能够实现复杂焊接结构件在不同材料、形状、尺寸、加工工艺以及服役条件下的准确、稳定疲劳寿命预测。
为了实现上述目的，本发明采用如下技术方案：
一种基于数据驱动方法的焊接结构疲劳性能分析方法，包括以下步骤：
获取疲劳性能数据，建立多尺度疲劳性能数据库，所述数据库中的数据分为训练数据和测试数据；
分别利用皮尔逊相关系数和最大信息系数对疲劳性能与影响因素之间的线性相关程度和非线性相关程度分析；
基于优化梯度提升算法，对疲劳性能影响因素的权重定量分析；利用所述训练数据对深度卷积神经网络进行训练；
将疲劳性能影响因素输入到训练好的深度卷积神经网络，得到预测参数曲线；
根据预测参数曲线提取疲劳寿命。
可选的，还包括利用所述测试数据对训练好的深度卷积神经网络进行测试。
可选的，所述预测参数曲线的表达式如下：
emSN＝C；
其中，S为应力水平，N为疲劳寿命，C和m为常数。
可选的，还包括数据清洗所述多尺度疲劳性能数据库中的疲劳性能数据，包括对所述疲劳性能数据包含缺失值、重复值的数据进行删除，将类别型特征转换成为数值型特征，并分别进行归一化。
可选的，还包括基于优化梯度提升算法，对疲劳性能影响因素之间的作用对疲劳性能的影响权重进行分析。
可选的，还包括疲劳性能影响因素的权重作为DCNN神经元节点之间的初始权重。
可选的，所述皮尔逊相关系数计算公式如下：
Corr(xi,y)＝Cov(xi,y)/σxi·σy；
其中，xi是输入特征，y是输出特征，Cov是方差，σ是标准差。
可选的，所述最大信息系数计算公式如下：
其中，a和b是网格参数，B为常数变量。
可选的，所述多尺度疲劳性能数据库的特征包含材料、焊接方法、板厚、接头类型、应力比、载荷类型、焊趾半径、焊趾角度、应力范围、S-N曲线、疲劳寿命。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于数据驱动方法的焊接结构疲劳性能分析方法，能够对疲劳性能及其影响因素之间的关系进行定量分析，并综合考虑不同影响因素对疲劳寿命产生的影响，从而实现适应性更好的疲劳寿命预测。通过基于数据驱动方法的疲劳性能影响因素权重分析，利用DCNN模型预测得到S-N曲线，并实现特定应力水平条件下疲劳寿命的准确、稳定预测。能够大大降低疲劳试验所消耗的大量人力物力，为焊接结构疲劳性能的分析提供新的思路和方法，并为焊接结构的疲劳设计提供有力支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明实施例提供的基于数据驱动方法的焊接结构疲劳性能分析方法的流程图；
图2a-图2b是本发明实施例提供的基于数据驱动方法的焊接结构疲劳性能影响因素相关程度分析图；
图3a-图3d是本发明实施例提供的基于XGBoost方法的焊接结构疲劳性能影响因素权重分析图；
图4a-图4d是本发明实施例提供的基于XGBoost方法的焊接结构疲劳性能影响因素之间相互作用的权重分析图；
图5a-图5b是本发明实施例提供的基于DCNN方法的焊接结构疲劳寿命预测模型的训练与测试误差图；
图6a-图6d是本发明实施例提供的基于DCNN方法的焊接结构疲劳寿命预测结果对比图；
图7a-图7b是本发明实施例提供的基于DCNN方法的焊接结构疲劳寿命预测误差对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
基于现有焊接结构疲劳性能分析方法的局限性，本发明开发一种基于数据驱动方法的焊接结构疲劳性能分析方法，能够对疲劳性能及其影响因素之间的关系进行定量分析，并综合考虑不同影响因素对疲劳寿命产生的影响，从而实现适应性更好的疲劳寿命预测。通过基于数据驱动方法的疲劳性能影响因素权重分析，利用DCNN模型预测得到S-N曲线，并实现特定应力水平条件下疲劳寿命的准确、稳定预测。能够大大降低疲劳试验所消耗的大量人力物力，为焊接结构疲劳性能的分析提供新的思路和方法，并为焊接结构的疲劳设计提供有力支持。
如图1所示，本实施例公开了一种基于数据驱动方法的焊接结构疲劳性能分析方法，可分为以下步骤：
步骤1：首先对实验室积累以及已发表文献中实际疲劳试验得到的疲劳性能数据进行总结，建立包含材料(a1)、焊接方法(a2)、板厚(a3)、接头类型(a4)、应力比(a5)、载荷类型(a6)、焊趾半径(a7)、焊趾角度(a8)、应力范围、S-N曲线(公式1)、疲劳寿命等特征的多尺度疲劳性能数据库，包含557个数据点，其中80％用作训练数据，20％用作测试数据；
emSN＝C (1)
其中，S为应力水平，N为疲劳寿命，C和m为常数。
步骤2：利用数据清洗手段对疲劳性能数据库进行处理，并对其中包含缺失值、重复值的数据进行删除，将类别型特征转换成为数值型特征，并分别进行归一化(公式2)，保证算法的平稳运行，从而获得可靠数据；
x*＝(x-min)/(max-min) (7)
其中，max是最大值，min是最小值。
步骤3：利用皮尔逊相关系数(PCC)(公式3)和最大信息系数(MIC)(公式4)对疲劳性能与影响因素之间的线性相关程度和非线性相关程度进行分别分析，如图2a-图2b所示；
Corr(xi,y)＝Cov(xi,y)/σxi·σy (3)
其中，xi是输入特征(i＝a1,a2,…,a9)，y是输出特征(参数C、m或疲劳寿命)，Cov是方差，σ是标准差。
其中，a和b是网格参数，B为常数变量。
步骤4：基于优化梯度提升(XGBoost)算法，对疲劳性能影响因素的权重分别进行定量分析，如图3a-图3d所示，并对疲劳性能影响因素之间的作用对疲劳性能的影响权重进行分析，如图4a-图4d所示，为后续疲劳寿命预测提供基础；
步骤5：利用疲劳性能数据库中的训练数据对深度卷积神经网络(DCNN)进行训练，并利用测试数据进行验证，保证疲劳寿命预测模型的可靠性，准确度与误差分别如图5a-图5b所示；
其中，疲劳性能影响因素的权重作为DCNN神经元节点之间的初始权重进行考虑，实现适用性更好、针对性更强的疲劳寿命进行预测；
步骤6：以影响因素作为输入，通过考虑疲劳性能影响因素的权重，以S-N曲线的参数C和m作为输出，得到预测参数的S-N曲线，进而提取得到特定应力水平条件下的疲劳寿命，得到的预测结果与预测误差分别如图6a-图6d、图7a-图7b所示。
对预测结果进行分析，基于XGBoost算法发现焊接结构的焊缝形貌(焊趾半径、焊趾角度)以及应力状态(载荷类型、应力比)是对疲劳性能影响最显著的因素，但是其他因素的作用同样不容忽视。通过综合考虑全部影响因素的权重作用，基于DCNN模型的疲劳寿命预测方法相比其他方法具有更高的准确度和稳定性。
分析结果表明，基于数据驱动方法的焊接结构疲劳性能分析方法通过对疲劳性能影响因素的权重分析，基于深度学习方法进行S-N曲线预测进而得到特定应力水平条件下的疲劳寿命具有相比其他方法更高的准确度和稳定性。
本发明实施例公开的基于数据驱动方法的焊接结构疲劳性能分析方法，能够对疲劳性能及其影响因素之间的关系进行定量分析，并综合考虑不同影响因素对疲劳寿命产生的影响，从而实现适应性更好的疲劳寿命预测。通过基于数据驱动方法的疲劳性能影响因素权重分析，利用DCNN模型预测得到S-N曲线，并实现特定应力水平条件下疲劳寿命的准确、稳定预测。能够大大降低疲劳试验所消耗的大量人力物力，为焊接结构疲劳性能的分析提供新的思路和方法，并为焊接结构的疲劳设计提供有力支持。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于数据驱动方法的焊接结构疲劳性能分析方法，其特征在于，包括以下步骤：
获取疲劳性能数据，建立多尺度疲劳性能数据库，所述数据库中的数据分为训练数据和测试数据；
分别利用皮尔逊相关系数和最大信息系数对疲劳性能与影响因素之间的线性相关程度和非线性相关程度分析；
基于优化梯度提升算法，对疲劳性能影响因素的权重定量分析；利用所述训练数据对深度卷积神经网络进行训练；
将疲劳性能影响因素输入到训练好的深度卷积神经网络，得到预测参数曲线；
根据预测参数曲线提取疲劳寿命。
2.根据权利要求1所述的一种基于数据驱动方法的焊接结构疲劳性能分析方法，其特征在于，还包括利用所述测试数据对训练好的深度卷积神经网络进行测试。
3.根据权利要求1所述的一种基于数据驱动方法的焊接结构疲劳性能分析方法，其特征在于，所述预测参数曲线的表达式如下：
emSN＝C；
其中，S为应力水平，N为疲劳寿命，C和m为常数。
4.根据权利要求1所述的一种基于数据驱动方法的焊接结构疲劳性能分析方法，其特征在于，还包括数据清洗所述多尺度疲劳性能数据库中的疲劳性能数据，包括对所述疲劳性能数据包含缺失值、重复值的数据进行删除，将类别型特征转换成为数值型特征，并分别进行归一化。
5.根据权利要求1所述的一种基于数据驱动方法的焊接结构疲劳性能分析方法，其特征在于，还包括基于优化梯度提升算法，对疲劳性能影响因素之间的作用对疲劳性能的影响权重进行分析。
6.根据权利要求1所述的一种基于数据驱动方法的焊接结构疲劳性能分析方法，其特征在于，还包括疲劳性能影响因素的权重作为DCNN神经元节点之间的初始权重。
7.根据权利要求1所述的一种基于数据驱动方法的焊接结构疲劳性能分析方法，其特征在于，所述皮尔逊相关系数计算公式如下：
Corr(xi,y)＝Cov(xi,y)/σxi·σy；
其中，xi是输入特征，y是输出特征，Cov是方差，σ是标准差。
8.根据权利要求1所述的一种基于数据驱动方法的焊接结构疲劳性能分析方法，其特征在于，所述最大信息系数计算公式如下：
其中，a和b是网格参数，B为常数变量。
9.根据权利要求1所述的一种基于数据驱动方法的焊接结构疲劳性能分析方法，其特征在于，所述多尺度疲劳性能数据库的特征包含材料、焊接方法、板厚、接头类型、应力比、载荷类型、焊趾半径、焊趾角度、应力范围、S-N曲线、疲劳寿命。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210087336.0A CN114595625A (zh) | 2022-01-25 | 2022-01-25 | 一种基于数据驱动方法的焊接结构疲劳性能分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210087336.0A CN114595625A (zh) | 2022-01-25 | 2022-01-25 | 一种基于数据驱动方法的焊接结构疲劳性能分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114595625A true CN114595625A (zh) | 2022-06-07 |
Family
ID=81805655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210087336.0A Pending CN114595625A (zh) | 2022-01-25 | 2022-01-25 | 一种基于数据驱动方法的焊接结构疲劳性能分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114595625A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081321A (zh) * | 2022-06-15 | 2022-09-20 | 天津大学 | 一种海洋焊接结构的腐蚀疲劳寿命预测方法、系统及设备 |
| CN116595872A (zh) * | 2023-05-12 | 2023-08-15 | 西咸新区大熊星座智能科技有限公司 | 基于多目标学习算法的焊接参数自适应预测方法 |
| CN116738731A (zh) * | 2023-06-16 | 2023-09-12 | 天津大学 | 适用于多种材料疲劳性能分析的通用性预测方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010156668A (ja) * | 2008-05-09 | 2010-07-15 | Nippon Steel Corp | 溶接構造物の疲労寿命推定装置、溶接構造物の疲労寿命推定方法、及びコンピュータプログラム |
| CN108153999A (zh) * | 2018-01-26 | 2018-06-12 | 大连交通大学 | 一种基于疲劳特征域的焊接接头疲劳寿命智能预测方法 |
| CN111369141A (zh) * | 2020-03-04 | 2020-07-03 | 大连交通大学 | 焊接结构疲劳寿命影响因素评价方法 |
| CN113080986A (zh) * | 2021-05-07 | 2021-07-09 | 中国科学院深圳先进技术研究院 | 一种基于可穿戴设备的运动性疲劳检测方法和系统 |
| CN113434971A (zh) * | 2021-06-07 | 2021-09-24 | 天津大学 | 一种多尺度焊接疲劳寿命预测方法、装置及设备 |
-
2022
- 2022-01-25 CN CN202210087336.0A patent/CN114595625A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010156668A (ja) * | 2008-05-09 | 2010-07-15 | Nippon Steel Corp | 溶接構造物の疲労寿命推定装置、溶接構造物の疲労寿命推定方法、及びコンピュータプログラム |
| CN108153999A (zh) * | 2018-01-26 | 2018-06-12 | 大连交通大学 | 一种基于疲劳特征域的焊接接头疲劳寿命智能预测方法 |
| CN111369141A (zh) * | 2020-03-04 | 2020-07-03 | 大连交通大学 | 焊接结构疲劳寿命影响因素评价方法 |
| CN113080986A (zh) * | 2021-05-07 | 2021-07-09 | 中国科学院深圳先进技术研究院 | 一种基于可穿戴设备的运动性疲劳检测方法和系统 |
| CN113434971A (zh) * | 2021-06-07 | 2021-09-24 | 天津大学 | 一种多尺度焊接疲劳寿命预测方法、装置及设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081321A (zh) * | 2022-06-15 | 2022-09-20 | 天津大学 | 一种海洋焊接结构的腐蚀疲劳寿命预测方法、系统及设备 |
| CN116595872A (zh) * | 2023-05-12 | 2023-08-15 | 西咸新区大熊星座智能科技有限公司 | 基于多目标学习算法的焊接参数自适应预测方法 |
| CN116595872B (zh) * | 2023-05-12 | 2024-02-02 | 西咸新区大熊星座智能科技有限公司 | 基于多目标学习算法的焊接参数自适应预测方法 |
| CN116738731A (zh) * | 2023-06-16 | 2023-09-12 | 天津大学 | 适用于多种材料疲劳性能分析的通用性预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114595625A (zh) | 一种基于数据驱动方法的焊接结构疲劳性能分析方法 | |
| CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
| WO2019165673A1 (zh) | 一种报销单风险预测方法、装置、终端设备及存储介质 | |
| US11681925B2 (en) | Techniques for creating, analyzing, and modifying neural networks | |
| Malhotra¹ et al. | Software maintainability prediction using machine learning algorithms | |
| Khoshgoftaar et al. | Logistic regression modeling of software quality | |
| CN112270545A (zh) | 基于迁移样本筛选的金融风险预测方法、装置和电子设备 | |
| KR102198273B1 (ko) | 머신러닝 기반의 음성데이터 분석 방법, 장치 및 프로그램 | |
| Gutzen et al. | Reproducible neural network simulations: statistical methods for model validation on the level of network activity data | |
| US11640539B2 (en) | Techniques for visualizing the operation of neural networks using samples of training data | |
| Singh et al. | Comparative analysis of regression and machine learning methods for predicting fault proneness models | |
| CN109633448B (zh) | 识别电池健康状态的方法、装置和终端设备 | |
| US20210012209A1 (en) | Techniques for modifying neural network definitions | |
| WO2020036590A1 (en) | Evaluation and development of decision-making models | |
| CN111178672A (zh) | 一种基于平衡性的智能稽查方法 | |
| CN115186780B (zh) | 学科知识点分类模型训练方法、系统、存储介质及设备 | |
| Dopazo et al. | An automatic methodology for the quality enhancement of requirements using genetic algorithms | |
| CN111199469A (zh) | 用户还款模型生成方法、装置及电子设备 | |
| CN117540826A (zh) | 机器学习模型的优化方法、装置、电子设备及存储介质 | |
| Al-Janabi | Overcoming the main challenges of knowledge discovery through tendency to the intelligent data analysis | |
| CN116485552A (zh) | 一种基金投资风控方法、装置、介质及终端 | |
| US20210012212A1 (en) | Techniques for modifying the operation of neural networks | |
| CN113722098A (zh) | 基于人工智能的服务器容量预测方法、装置、设备及介质 | |
| CN109377436A (zh) | 一种环境精准监管方法与装置、终端设备及存储介质 | |
| Li et al. | Exploratory methods for imbalanced data classification in online recruitment fraud detection: A comparative analysis |
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 |