CN114781250A - 一种基于机器学习的多因素影响环境疲劳寿命预测方法 - Google Patents

一种基于机器学习的多因素影响环境疲劳寿命预测方法 Download PDF

Info

Publication number
CN114781250A
CN114781250A CN202210370846.9A CN202210370846A CN114781250A CN 114781250 A CN114781250 A CN 114781250A CN 202210370846 A CN202210370846 A CN 202210370846A CN 114781250 A CN114781250 A CN 114781250A
Authority
CN
China
Prior art keywords
data
fatigue life
machine learning
model
environment
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
Application number
CN202210370846.9A
Other languages
English (en)
Inventor
阚前华
姜吕锋
刘宇轩
吴圣川
苗鸿臣
康国政
王平
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210370846.9A priority Critical patent/CN114781250A/zh
Publication of CN114781250A publication Critical patent/CN114781250A/zh
Pending legal-status Critical Current

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
    • G06F30/27—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
    • 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)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明涉及材料疲劳寿命评估方法领域，尤其涉及一种基于机器学习的多因素影响环境疲劳寿命预测方法。本发明首先通过建立机器学习模型并优化参数。接着通过实验和文献资料收集数据，获取关键特征变量。再将数据随机划分训练集和测试集，将训练集数据进行特征缩放，并输入到机器学习模型中进行迭代训练。最后将测试集数据进行特征缩放并输入到训练好的机器学习模型中，计算预测得到的疲劳寿命，评估模型的预测精度。本发明的优点在于利用数据的驱动性和模型的外推扩展性，在保证实验数据足够的前提下极大的减少对于试验次数的依赖，同时满足多个影响因素同时作用的条件，实现精准预测多因素和环境疲劳寿命的相对隐式的复杂映射关系。

Description

一种基于机器学习的多因素影响环境疲劳寿命预测方法
技术领域
本发明涉及材料疲劳寿命评估方法领域，尤其涉及一种基于机器学习的多因素影响环境疲劳寿命预测方法。
背景技术
材料与构件的强度问题在工程应用中得到广泛的关注，而疲劳问题是对其服役寿命和安全性起到决定性的因素。疲劳问题的特点在于承受扰动应力(随时间变化)，由高应力或高应变的局部开始形成损伤与破坏，经历裂纹的萌生、裂纹的稳定扩展和裂纹失稳扩展三阶段(疲劳与断裂，陈传尧，华中科技大学出版社)。在不同的环境下材料的疲劳寿命往往存在差异，例如高温高压水环境下金属材料的疲劳寿命相较于空气中会有明显的降低，这对于结构和构件的经济性与安全性造成极大的损失与隐患，故而环境疲劳寿命预测问题受到了重点关注。
至今对于环境疲劳失效的根本原因尚未有明确的定义，被广泛认同的机理有氢致开裂机理和膜破裂/滑移溶解机理两种，只能解释部分试验现象并且缺乏裂纹微观扩展过程的直接证据，难以区分和确定准确的环境疲劳失效原因。机器学习方法随着网络大数据时代的到来和相关硬件的发展进步被广泛应用于解决复杂难题，在保证实验数据足够的前提下极大的减少对于试验次数的依赖，同时满足多个影响因素同时作用的条件，可以在确保高周循环范围的精度下寻找影响因子与疲劳寿命的隐式关系。
发明内容
针对背景技术中存在的问题，提出一种基于机器学习的多因素影响环境疲劳寿命预测方法，步骤如下：
S1、建立机器学习模型并优化参数；
S2、通过实验和文献资料收集数据，获取关键特征变量；
S3、将数据随机划分训练集和测试集，再将训练集数据进行特征缩放，并输入到机器学习模型中进行迭代训练；
S4、将测试集数据进行特征缩放并输入到训练好的机器学习模型中，计算预测得到的疲劳寿命，评估模型的预测精度。
优选的，S2的具体步骤如下：
S21、收集包含实验材料的化学成分、复杂环境下应变低周疲劳的实验工况参数和相对应的环境疲劳寿命的数据；
S22、利用皮尔逊相关系数作为参考评估各输入特征变量与环境疲劳寿命的相关性，根据公式(1)计算出相应的数值并排序筛选出特征变量；
Figure BDA0003588569450000021
式(1)中n为数据样本的数量，Xi为第i个输入特征，Yi为第i个疲劳寿命，
Figure BDA0003588569450000022
和
Figure BDA0003588569450000023
分别是对应的平均值。
优选的，S21中收集的疲劳数据实验环境包含Pressurized-Water Reactor、LightWater Reactor模拟环境以及高溶解氧水环境；材料化学成分包含C、P、S、Si、Cr、Ni、Mo、Mn、Cu、N；实验工况参数包含温度、水中溶解氧、锂离子、硼离子浓度、压力、拉伸/压缩速率、应变幅值以及对应的疲劳寿命。
优选的，S3的具体步骤如下：
S31、对S2中的关键因素影响下的疲劳寿命数据进行随机打乱；
S32、利用公式(2)、(3)对数据进行特征缩放至[0,1]范围；
Figure BDA0003588569450000031
Figure BDA0003588569450000032
式(2)、(3)中
Figure BDA0003588569450000033
为第q组数据中的第p个特征，
Figure BDA0003588569450000034
和
Figure BDA0003588569450000035
分别代表第p个特征中的最大值和最小值，max和min为缩放范围的界限，在此取0和1；
S33、利用K折交叉验证法对子S32得到的数据进行训练集和测试集的划分，其中K取10，具体方法为：将数据集平均分成10个子样本集，提取1个单独的子样本作为测试集进行验证，其他9个样本合并为整个训练集用来训练，交叉验证重复10次，得到相应个数的子样本进行验证，根据公式(4)、(5)、(6)计算相应的决定系数R2并对10次的结果取平均值得到最终的评估；
Figure BDA0003588569450000036
Figure BDA0003588569450000037
Figure BDA0003588569450000038
式(4)、(5)、(6)中n为数据样本的数量，yi为真实疲劳寿命，
Figure BDA0003588569450000039
为真实疲劳寿命的平均值，
Figure BDA00035885694500000310
为预测疲劳寿命。
优选的，S1的具体操作为：选取支持向量机作为机器学习模型，式(7)、(8)为选取的SVM高斯核；利用网格搜索法对模型的参数和结构进行优化，将参数范围设定后排列组合，列出可能的组合后生成“网格”进入S33进行交叉验证，得到优化后训练完成的模型；
Figure BDA0003588569450000041
Figure BDA0003588569450000042
式(7)、(8)中Xi与Xj分别为子步骤S22缩放后的第i组与第j组数据组，σ与γ是待优化的超参数。
优选的，S4中需根据公式(9)获得均方根误差，对模型的预测精度进行评估。
Figure BDA0003588569450000043
式(9)中n为数据样本的数量，yi为真实疲劳寿命，
Figure BDA0003588569450000044
为预测疲劳寿命。
与现有技术相比，本发明具有如下有益的技术效果：
本发明首先通过建立机器学习模型并优化参数。接着通过实验和文献资料收集数据，获取关键特征变量。再将数据随机划分训练集和测试集，将训练集数据进行特征缩放，并输入到机器学习模型中进行迭代训练。最后将测试集数据进行特征缩放并输入到训练好的机器学习模型中，计算预测得到的疲劳寿命，评估模型的预测精度。本发明的优点在于利用数据的驱动性和模型的外推扩展性，在保证实验数据足够的前提下极大的减少对于试验次数的依赖，同时满足多个影响因素同时作用的条件，实现精准预测多因素和环境疲劳寿命的相对隐式的复杂映射关系。
附图说明
图1为本发明中一种基于机器学习的多因素影响环境疲劳寿命预测方法流程图；
图2为本发明中特征变量PCC的分析排序图；
图3为本发明中K折交叉验证法原理示意图；
图4是本发明中实验值与预测值的疲劳寿命误差示意图。
具体实施方式
如图1所示，本发明提出的一种基于机器学习的多因素影响环境疲劳寿命预测方法，步骤如下：
一、建立数据集并进行特征筛选。
1.1、收集的疲劳数据实验环境包含Pressurized-Water Reactor(PWR)、LightWater Reactor(LWR)模拟环境以及高溶解氧水环境；材料化学成分包含C、P、S、Si、Cr、Ni、Mo、Mn、Cu、N；实验工况参数包含温度、水中溶解氧、锂离子、硼离子浓度、压力、拉伸/压缩速率、应变幅值以及对应的疲劳寿命。
1.2、将其整理为如
Figure BDA0003588569450000051
所示的数据样本，其中n为样本数量，在此处为194；m为特征变量的个数，在此处为18，包含实验环境变量(溶解氧水平、硼离子水平、锂离子水平、压力)、化学成分变量(C、P、S、Si、Cr、Ni、Mo、Mn、Cu、N)、实验工况变量(拉伸速率、压缩速率、应变幅值、温度)。
1.3、再利用皮尔逊相关系数(PCC)作为参考评估各输入特征变量与环境疲劳寿命的相关性，其计算公式如下：
Figure BDA0003588569450000052
其中，n为数据样本的数量，Xi为第i个输入特征，Yi为第i个疲劳寿命，
Figure BDA0003588569450000053
和
Figure BDA0003588569450000054
分别是对应的平均值。
特征变量与疲劳寿命的相关性随着PCC的绝对值的增大而变得更强，越接近于1，相关度越强，越接近于0，相关度越弱。如图2所示，应变幅值与疲劳寿命为负相关且相关度最强，接着是拉伸和压缩应变速率是正相关度最强的特征变量。
二、数据处理与评估标准的选择。
2.1、在Python语言中基于sklearn.preprocessing引入特征标准化函数Minmaxscale对样本数据进行归一化，以防止因为数据的数量级量纲差距过大而导致大量纲属性占据主导地位，同时可以提升模型的收敛速度。其计算公式如下：
Figure BDA0003588569450000061
Figure BDA0003588569450000062
其中，
Figure BDA0003588569450000063
为第q组数据中的第p个特征，
Figure BDA0003588569450000064
和
Figure BDA0003588569450000065
分别代表第p个特征中的最大值和最小值，max和min为缩放范围的界限，在此取0和1。
2.2、利用k折交叉验证法(k-fold Cross Validation)，将初始样本数据集分割成k个子样本，提取一个单独的子样本作为测试集进行验证，其他k-1个样本合并为整个训练集用来训练。交叉验证重复k次，得到相应个数的子样本进行验证，对k次的结果取平均值得到最终的评估。在此处k取10，操作过程如图3所示。
2.3、选取决定系数R2作为评估标准，其计算公式如下：
Figure BDA0003588569450000066
Figure BDA0003588569450000067
Figure BDA0003588569450000071
其中，n为数据样本的数量，yi为真实疲劳寿命，
Figure BDA0003588569450000072
为真实疲劳寿命的平均值，
Figure BDA0003588569450000073
为预测疲劳寿命。
三、建立机器学习模型并优化参数。
在Python语言中建立支持向量机(SVM)模型，基本思想是令模型的不同样本能够通过一个超平面区分开来，超平面的定义如下：
wTx+b＝0
支持向量回归模型的参数调整主要针对核函数，不同的核函数有对应的不同的超参数种类。在sklearn.svm函数库中常用的核函数包括三种：线性核函数、多项式核函数以及高斯核函数。针对本发明的问题选择高斯核函数，具体计算公式如下：
Figure BDA0003588569450000074
Figure BDA0003588569450000075
其中，Xi与Xj分别为步骤2.1缩放后的第i组与第j组数据组，σ与γ是待优化的超参数。此外，无论是何种核函数，都需要调整惩罚系数C，随着C的增大模型对误差越重视，过拟合的风险越高。
采用网格搜索的方法对上述两个参数进行优化，此处选择的是随机网格搜索，从指定的分布中采样固定数量的参数设置。优化后的参数如表1所示。
表1SVM超参数优化结果
Figure BDA0003588569450000076
Figure BDA0003588569450000081
四、模型性能评估。
采用k折交叉验证法对数据集处理得到验证集并以均方根误差RMSE作为性能指标进行评估，RMSE的值越接近于0，表示模型的预测和实验值的误差越小，说明模型预测能力越强。计算公式如下：
Figure BDA0003588569450000082
其中，n为数据样本的数量，yi为真实疲劳寿命，
Figure BDA0003588569450000083
为预测疲劳寿命。模型的性能评估结果如表2所示。
表2模型性能评估结果
Figure BDA0003588569450000084
优化后的模型的预测误差带如图4所示，其中O为数据点，靠近实线的两条虚线为1.5倍误差带，远离实线的两条虚线为2倍误差带，实线表示预测值与实验值一致，越接近实线表示模型预测精度越高。模型的预测精度符合预期，无需大量的系数修正过程，基本分布于1.5倍误差带中且表现出了一定的保守性。需要注意的是，由于该模型的训练数据收集于不同的文献和实验，数据点的分散性较大，另外，该模型对疲劳寿命的适用范围为106以下。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于此，在所属技术领域的技术人员所具备的知识范围内，在不脱离本发明宗旨的前提下还可以作出各种变化。

Claims (6)

1.一种基于机器学习的多因素影响环境疲劳寿命预测方法，其特征在于，步骤如下：
S1、建立机器学习模型并优化参数；
S2、通过实验和文献资料收集数据，获取关键特征变量；
S3、将数据随机划分训练集和测试集，再将训练集数据进行特征缩放，并输入到机器学习模型中进行迭代训练；
S4、将测试集数据进行特征缩放并输入到训练好的机器学习模型中，计算预测得到的疲劳寿命，评估模型的预测精度。
2.根据权利要求1所述的一种基于机器学习的多因素影响环境疲劳寿命预测方法，其特征在于，S2的具体步骤如下：
S21、收集包含实验材料的化学成分、复杂环境下应变低周疲劳的实验工况参数和相对应的环境疲劳寿命的数据；
S22、利用皮尔逊相关系数作为参考评估各输入特征变量与环境疲劳寿命的相关性，根据公式(1)计算出相应的数值并排序筛选出特征变量；
Figure FDA0003588569440000011
式(1)中n为数据样本的数量，Xi为第i个输入特征，Yi为第i个疲劳寿命，
Figure FDA0003588569440000012
和
Figure FDA0003588569440000013
分别是对应的平均值。
3.根据权利要求2所述的一种基于机器学习的多因素影响环境疲劳寿命预测方法，其特征在于，S21中收集的疲劳数据实验环境包含Pressurized-Water Reactor、Light WaterReactor模拟环境以及高溶解氧水环境；材料化学成分包含C、P、S、Si、Cr、Ni、Mo、Mn、Cu、N；实验工况参数包含温度、水中溶解氧、锂离子、硼离子浓度、压力、拉伸/压缩速率、应变幅值以及对应的疲劳寿命。
4.根据权利要求2所述的一种基于机器学习的多因素影响环境疲劳寿命预测方法，其特征在于，S3的具体步骤如下：
S31、对S2中的关键因素影响下的疲劳寿命数据进行随机打乱；
S32、利用公式(2)、(3)对数据进行特征缩放至[0,1]范围；
Figure FDA0003588569440000021
Figure FDA0003588569440000022
式(2)、(3)中
Figure FDA0003588569440000023
为第q组数据中的第p个特征，
Figure FDA0003588569440000024
和
Figure FDA0003588569440000025
分别代表第p个特征中的最大值和最小值，max和min为缩放范围的界限，在此取0和1；
S33、利用K折交叉验证法对子S32得到的数据进行训练集和测试集的划分，其中K取10，具体方法为：将数据集平均分成10个子样本集，提取1个单独的子样本作为测试集进行验证，其他9个样本合并为整个训练集用来训练，交叉验证重复10次，得到相应个数的子样本进行验证，根据公式(4)、(5)、(6)计算相应的决定系数R2并对10次的结果取平均值得到最终的评估；
Figure FDA0003588569440000026
Figure FDA0003588569440000027
Figure FDA0003588569440000028
式(4)、(5)、(6)中n为数据样本的数量，yi为真实疲劳寿命，
Figure FDA0003588569440000029
为真实疲劳寿命的平均值，
Figure FDA00035885694400000210
为预测疲劳寿命。
5.根据权利要求4所述的一种基于机器学习的多因素影响环境疲劳寿命预测方法，其特征在于，S1的具体操作为：选取支持向量机作为机器学习模型，式(7)、(8)为选取的SVM高斯核；利用网格搜索法对模型的参数和结构进行优化，将参数范围设定后排列组合，列出可能的组合后生成“网格”进入S33进行交叉验证，得到优化后训练完成的模型；
Figure FDA0003588569440000031
Figure FDA0003588569440000032
式(7)、(8)中Xi与Xj分别为子步骤S22缩放后的第i组与第j组数据组，σ与γ是待优化的超参数。
6.根据权利要求1所述的一种基于机器学习的多因素影响环境疲劳寿命预测方法，其特征在于，S4中需根据公式(9)获得均方根误差，对模型的预测精度进行评估。
Figure FDA0003588569440000033
式(9)中n为数据样本的数量，yi为真实疲劳寿命，
Figure FDA0003588569440000034
为预测疲劳寿命。
CN202210370846.9A 2022-04-11 2022-04-11 一种基于机器学习的多因素影响环境疲劳寿命预测方法 Pending CN114781250A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210370846.9A CN114781250A (zh) 2022-04-11 2022-04-11 一种基于机器学习的多因素影响环境疲劳寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210370846.9A CN114781250A (zh) 2022-04-11 2022-04-11 一种基于机器学习的多因素影响环境疲劳寿命预测方法

Publications (1)

Publication Number Publication Date
CN114781250A true CN114781250A (zh) 2022-07-22

Family

ID=82428655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210370846.9A Pending CN114781250A (zh) 2022-04-11 2022-04-11 一种基于机器学习的多因素影响环境疲劳寿命预测方法

Country Status (1)

Country Link
CN (1) CN114781250A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102081020A (zh) * 2010-01-26 2011-06-01 上海海事大学 基于支持向量机的材料疲劳寿命预测方法
CN103115789A (zh) * 2013-01-17 2013-05-22 西安交通大学 金属结构损伤剩余寿命的第二代小波支持向量机评估方法
CN103217280A (zh) * 2013-03-18 2013-07-24 西安交通大学 航空发动机转子剩余寿命的多变量支持向量机预测方法
CN105300819A (zh) * 2015-10-09 2016-02-03 上海市特种设备监督检验技术研究院 基于支持向量机算法的合金钢疲劳极限检测方法及其系统
CN111859724A (zh) * 2020-05-27 2020-10-30 中铁第四勘察设计院集团有限公司 一种混合驱动的无砟轨道疲劳寿命预测方法和系统
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
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
CN113076648A (zh) * 2021-04-08 2021-07-06 广州机械科学研究院有限公司 减速器疲劳加速试验和剩余寿命预测方法及存储处理系统
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
CN114021481A (zh) * 2021-11-19 2022-02-08 华东理工大学 一种基于融合物理神经网络的蠕变疲劳寿命预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102081020A (zh) * 2010-01-26 2011-06-01 上海海事大学 基于支持向量机的材料疲劳寿命预测方法
CN103115789A (zh) * 2013-01-17 2013-05-22 西安交通大学 金属结构损伤剩余寿命的第二代小波支持向量机评估方法
CN103217280A (zh) * 2013-03-18 2013-07-24 西安交通大学 航空发动机转子剩余寿命的多变量支持向量机预测方法
CN105300819A (zh) * 2015-10-09 2016-02-03 上海市特种设备监督检验技术研究院 基于支持向量机算法的合金钢疲劳极限检测方法及其系统
CN111859724A (zh) * 2020-05-27 2020-10-30 中铁第四勘察设计院集团有限公司 一种混合驱动的无砟轨道疲劳寿命预测方法和系统
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
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
CN113076648A (zh) * 2021-04-08 2021-07-06 广州机械科学研究院有限公司 减速器疲劳加速试验和剩余寿命预测方法及存储处理系统
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
CN114021481A (zh) * 2021-11-19 2022-02-08 华东理工大学 一种基于融合物理神经网络的蠕变疲劳寿命预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HONGYIXI BAO ET AL.: "A machine-learning fatigue life prediction approach of additively manufactured metals" *
JINGYE YANG ET AL.: "A novel method of multiaxial fatigue life prediction based on deep learning" *
XIAO-CHENG ZHANG ET AL.: "A deep learning based life prediction method for components under creep, fatigue and creep-fatigue conditions" *
唐宁等: "基于改进支持向量机回归的非线性飞机结构载荷模型建模" *
张秀华等: "基于数据驱动的零部件疲劳寿命预测研究现状与发展趋势" *

Similar Documents

Publication Publication Date Title
CN109324014B (zh) 一种自适应的原油性质近红外快速预测方法
CN111310348A (zh) 一种基于pso-lssvm的材料本构模型预测方法
CN112070356A (zh) 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法
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
Cheng et al. Mahalanobis classification system (MCS) integrated with binary particle swarm optimization for robust quality classification of complex metallic turbine blades
Rummel Nondestructive inspection reliability history, status and future path
CN113033105B (zh) 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
CN110472349A (zh) 一种基于eemd和深度卷积网络的热轧钢性能预测方法
CN111832703B (zh) 一种流程制造工业不规则采样动态序列建模方法
CN113051683A (zh) 一种数控机床刀具寿命预测方法、系统、设备及存储介质
CN114638164B (zh) 一种预测电站压力管道高温蠕变寿命的方法
Cai et al. Estimating the aging grade of heat-resistant steel by using portable laser-induced breakdown spectroscopy
CN111460731B (zh) 基于机器学习算法的rpv材料辐照脆化预测模型的开发方法
CN116842834A (zh) 一种基于机器学习和shap值的可解释蠕变断裂寿命预测方法
CN116825253B (zh) 基于特征选择的热轧带钢力学性能预测模型的建立方法
CN114781250A (zh) 一种基于机器学习的多因素影响环境疲劳寿命预测方法
CN116484745A (zh) 物理冶金指导工业大数据挖掘的热轧低合金钢设计方法
CN110879873B (zh) 一种基于哈密顿蒙特卡洛采样的vine copula相关性描述的软测量方法及系统
Gocheva-Ilieva Using MARS for modeling and predicting tensile strength of low alloy steels
CN112326540A (zh) 基于bp网络模型的核用锆-4合金耐腐蚀性能预测方法、电子设备、存储介质
CN112420132A (zh) 一种汽油催化裂化过程产品质量优化控制方法
CN113029993A (zh) 一种基于注意力机制的紫外光谱快速总氮在线检测方法
CN112616160A (zh) 一种智能短波频率跨频段实时预测方法及系统
Gocheva-Ilieva et al. Study of the tensile strength of alloy steels using polynomial regression
Kulina et al. Ensemble Learning for Predicting the Tensile Strength of Alloy Steels from Chemical Composition and Processing Parameters

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