CN117669390A - 基于神经网络的金属全阶段疲劳裂纹扩展预测方法及系统 - Google Patents

Abstract

本发明涉及海洋工程技术领域，提供一种基于神经网络的金属全阶段疲劳裂纹扩展预测方法及系统。该预测方法包括：获取金属材料全阶段疲劳裂纹扩展的试验数据，基于埃尔米特（Hermite）插值方法，对金属材料全阶段疲劳裂纹扩展的试验数据进行增强处理，得到金属材料全阶段疲劳裂纹扩展的大数据，对金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型。本发明提供的于神经网络的金属全阶段疲劳裂纹扩展预测方法采用Hermite插值方法扩充疲劳裂纹扩展数据集，增加数据多样性，可以提高疲劳裂纹扩展速率预测精度，因此，本发明可以得到金属全阶段疲劳裂纹扩展最优预测模型。

Description

基于神经网络的金属全阶段疲劳裂纹扩展预测方法及系统

技术领域

本发明涉及海洋工程技术领域，具体提供一种基于神经网络的金属全阶段疲劳裂纹扩展预测方法及系统。

背景技术

疲劳是指材料、零件和构件在循环加载作用下，某点或某些点产生局部的永久性损伤，并在一定循环次数后形成裂纹或使裂纹进一步扩展直到完全断裂的现象。疲劳导致的失效断裂是工程结构和机械构件的主要失效形式之一，准确了解金属材料的疲劳断裂机制以及裂纹扩展行为对结构剩余寿命评估和损伤容限设计具有重要意义。

当前一些修正模型通过引入裂纹扩展门槛值、断裂韧性以及载荷修正系数等参数描述金属裂纹扩展过程，但此类模型所需参数的获取难度较高，限制了其工程应用。而且由于金属全阶段疲劳裂纹扩展过程复杂非线性多变量行为，受到材料本身属性（弹性模型、断裂韧性、塑性参数及晶粒尺度等）和外部荷载条件（频率、载荷比及载荷次序等）等众多因素影响，很难通过明确的代数方程来表征裂纹扩展速率与裂纹扩展驱动力之间的强非线性关系。

相应地，本领域需要一种基于神经网络的金属全阶段疲劳裂纹扩展预测方法及系统来解决上述技术问题。

发明内容

本发明旨在解决上述技术问题，即现有方法难以准确预测金属疲劳裂纹扩展的缺陷。

本发明提供了一种基于神经网络的金属全阶段疲劳裂纹扩展预测方法，所述预测方法包括：

S1，获取金属材料全阶段疲劳裂纹扩展的试验数据，

S2，基于埃尔米特（Hermite）插值方法，对所述金属材料全阶段疲劳裂纹扩展的试验数据进行增强处理，得到金属材料全阶段疲劳裂纹扩展的大数据，

S3，对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型。

在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，所述Hermite插值方法包括：

假设所述金属材料全阶段疲劳裂纹扩展的试验数据有m个数据点，其中第i个数据点的坐标为，对应的导数为/>，

采用以下公式在区间[a, b]上进行三次Hermite插值：

，

式中，x为待插值的点，H(x)为在该点的插值结果；

其中，L(x)为基函数，定义为；/>为插值基函数的导数，定义为/>；/>。

在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，步骤“对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型”包括：

基于遗传算法，对神经网络的各层参数进行优化，得到优化后的初始参数，其中，所述神经网络包括输出层、隐含层和输出层，

根据所述优化后的初始参数，对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型。

在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，所述“基于遗传算法，对神经网络的各层参数进行优化，得到优化后的初始参数”包括：

将神经网络的各层参数按照染色体编码规则初始化为种群，并根据种群确定待优化参数的总个数，

基于适应度函数，计算种群中每个个体的适应度值，

对种群中每个个体进行选择策略、交叉操作和变异操作，繁衍出下一代种群，并计算新种群中每个个体的适应度值，

根据适应度值，在新个体与原有个体之间选取最优个体，作为优化后的初始参数。

在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，所述待优化参数的总个数的计算公式为：

，

式中，num为待优化参数的总个数，m为输入层节点数，o为隐含层节点数，n为输出层节点数。

在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，所述种群中每个个体的适应度值的计算公式为：

，

式中，为种群中每个个体的适应度值，N为总样本数，/>为神经网络输出值，/>为期望输出值。

在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，步骤“对种群中每个个体进行选择策略、交叉操作和变异操作，繁衍出下一代种群，并计算新种群中每个个体的适应度值”进一步包括：

选取适应度值大于阈值的个体作为父代个体，

对所述父代个体进行基因交换，生成交叉个体，

对所述交叉个体进行基因突变，繁衍出下一代种群，并计算新种群中每个个体的适应度值。

在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，所述神经网络训练方法包括：

基于所述金属材料全阶段疲劳裂纹扩展的大数据，计算神经网络输出与预期输出结果的误差值，

进行各层间的权重调整，使得误差逐渐减小直至满足精度要求，

其中，假设金属材料全阶段疲劳裂纹扩展大数据的输入样本(X,Y)为，/>，

隐含层神经元，隐含层神经元的阈值/>，输出层神经元的阈值/>，

则神经网络输出与预期输出结果的误差值的计算公式为：

，

式中，为迭代过程中神经网络输出与预期输出结果的误差值，k为样本数目，为预期输出值，/>为神经网络输出值，

神经网络权重的计算公式为：

，

式中，为输入层与隐含层神经元间的权重值，/>为隐含层与输出层神经元间的权重值。

在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，所述神经网络训练方法还包括，

在神经网络的学习过程中设定神经网络的学习效率，并根据迭代过程中的误差对神经网络的学习效率进行自适应调整，

根据调整后的学习效率对隐含层与输出层的权重值和阈值进行修正，

其中，神经网络的学习效率的计算公式为：

，

式中，η为神经网络的学习效率，

修正后的隐含层与输出层的权重值和阈值简化表示为：

，

式中，为隐含层与输出层神经元间的权重值，/>为隐含层与输出层神经元间的阈值。

另一方面，本发明还提供了一种基于神经网络的金属全阶段疲劳裂纹扩展预测系统，该系统实施如上述实施例所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，该系统包括：

数据获取模块，被配置为能够获取金属材料全阶段疲劳裂纹扩展的试验数据，

数据处理模块，被配置为能够基于埃尔米特插值方法，对所述金属材料全阶段疲劳裂纹扩展的试验数据进行增强处理，得到金属材料全阶段疲劳裂纹扩展的大数据，

模型生成模块，被配置为能够对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型。

结合上述的所有技术方案，本发明提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法通过获取金属材料全阶段疲劳裂纹扩展的试验数据并基于Hermite插值方法，对金属材料全阶段疲劳裂纹扩展的试验数据进行增强处理为神经网络训练提供数据支撑，其中，采用Hermite插值方法扩充疲劳裂纹扩展数据集，增加数据多样性，可以提高疲劳裂纹扩展速率预测精度，因此，本发明可以得到金属全阶段疲劳裂纹扩展最优预测模型。

附图说明

下面结合附图来描述本发明的优选实施方式，附图中：

图1为本发明提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法的第一种实施方式的流程图；

图2为本发明提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法的第二种实施方式的流程图；

图3为本发明提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法的第二种实施方式中子步骤S203的流程图；

图4为本发明的基于神经网络的金属全阶段疲劳裂纹扩展预测系统的结构框图；

图5（a）为在应力比为R=0.1时本发明实施例提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法所得到的预测结果与试验结果的对比图；

图5（b）为在应力比为R=0.3时本发明实施例提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法所得到的预测结果与试验结果的对比图；

图5（c）为在应力比为R=0.5时本发明实施例提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法所得到的预测结果与试验结果的对比图；

图5（d）为在应力比为R=0.7时本发明实施例提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法所得到的预测结果与试验结果的对比图。

具体实施方式

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。本领域技术人员可以根据需要对其作出调整，以便适应具体的应用场合。例如，虽然本具体实施方式是结合神经网络训练方法应用于金属全阶段疲劳裂纹扩展预测的情形来进行描述的，但是，本发明的神经网络训练方法显然还可以用于其他环境中。这种有关应用场景的改变并不偏离本发明的基本原理，属于本发明的保护范围。

深海蕴藏丰富的多金属结核、富钴结壳和多金属硫化物等矿产资源，其中多金属结核中富含锰、铜、钴、镍等稀有贵金属元素，极具商业开采价值。不同于富钴结壳和多金属硫化物矿床，深海多金属结核赋存于水深 4000m-6000m的海底沉积物表层，往往处于半埋藏状态，矿区表层为稀软沉积物，整体地形较为平坦，伴有小突起障碍和沟壑。

疲劳是指材料、零件和构件在循环加载作用下，某点或某些点产生局部的永久性损伤，并在一定循环次数后形成裂纹或使裂纹进一步扩展直到完全断裂的现象。疲劳导致的失效断裂是工程结构和机械构件的主要失效形式之一，准确了解金属材料的疲劳断裂机制以及裂纹扩展行为对结构剩余寿命评估和损伤容限设计具有重要意义。

当前一些修正模型通过引入裂纹扩展门槛值、断裂韧性以及载荷修正系数等参数描述金属裂纹扩展过程，但此类模型所需参数的获取难度较高，限制了其工程应用。而且由于金属全阶段疲劳裂纹扩展过程复杂非线性多变量行为，受到材料本身属性（弹性模型、断裂韧性、塑性参数及晶粒尺度等）和外部荷载条件（频率、载荷比及载荷次序等）等众多因素影响，很难通过明确的代数方程来表征裂纹扩展速率与裂纹扩展驱动力之间的强非线性关系。

本发明的目的在于克服现有方法难以准确预测金属疲劳裂纹扩展的缺陷，解决了现有方法对于金属全阶段疲劳裂纹扩展预测的技术难题。因此，可以说该技术方案克服了技术上的偏见，并提供了一种更准确、全面的预测方法，为相关领域的工程实践提供了更可靠的支持。

下面参照图1，对本发明的基于神经网络的金属全阶段疲劳裂纹扩展预测方法的第一种实施方式进行介绍。其中，图1为本发明的基于神经网络的金属全阶段疲劳裂纹扩展预测方法的第一种实施方式的流程图，在本发明的第一种实施方式中，基于神经网络的金属全阶段疲劳裂纹扩展预测方法包括：

S1，获取金属材料全阶段疲劳裂纹扩展的试验数据，

S2，基于埃尔米特（Hermite）插值方法，对金属材料全阶段疲劳裂纹扩展的试验数据进行增强处理，得到金属材料全阶段疲劳裂纹扩展的大数据，

S3，对金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型。

在本优选的实施例中，本发明提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法通过获取获取金属材料全阶段疲劳裂纹扩展的试验数据并基于Hermite插值方法，对金属材料全阶段疲劳裂纹扩展的试验数据进行增强处理为神经网络训练提供数据支撑，其中，采用Hermite插值方法扩充疲劳裂纹扩展数据集，增加数据多样性，可以提高疲劳裂纹扩展速率预测精度，因此，本发明可以得到金属全阶段疲劳裂纹扩展最优预测模型。

具体来说，对金属材料全阶段疲劳裂纹扩展的试验数据包括输入数据和输出数据，其中，输入数据包括应力比，裂纹尖端强度因子范围/>等，输出数据包括裂纹扩展速率/>。

在上述步骤S2中，Hermite插值方法进一步包括：假设金属材料全阶段疲劳裂纹扩展的试验数据有m个数据点，其中第i个数据点的坐标为，对应的导数为/>，

采用以下公式在区间[a, b]上进行三次Hermite插值：

，

式中，x为待插值的点，H(x)为在该点的插值结果；

其中，L(x)为基函数，定义为 ；/>为插值基函数的导数，定义为/>；/>。

在本优选实施例中，通过采用三次Hermite插值方法进行数据增强，可以扩充疲劳裂纹扩展数据集，增加数据多样性，避免由于疲劳裂纹扩展实验中数据采集不足导致的欠拟合和过拟合问题，进而能够提高疲劳裂纹扩展速率预测精度。

下面参照图2，对本发明的基于神经网络的金属全阶段疲劳裂纹扩展预测方法的第二种实施方式进行介绍。其中，图2为本发明的基于神经网络的金属全阶段疲劳裂纹扩展预测方法的第二种实施方式的流程图，在本发明的第二种实施方式中，基于神经网络的金属全阶段疲劳裂纹扩展预测方法包括：

S201，获取金属材料全阶段疲劳裂纹扩展的试验数据，

S202，基于埃尔米特（Hermite）插值方法，对金属材料全阶段疲劳裂纹扩展的试验数据进行增强处理，得到金属材料全阶段疲劳裂纹扩展的大数据，

S203，基于遗传算法，对神经网络的各层参数进行优化，得到优化后的初始参数，

S204，根据优化后的初始参数，对金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型。

在本优选实施例中，遗传算法（Genetic Algorithm）是一类模拟自然界遗传机制和进化机制而成的一种随机搜索算法，能有效降低训练停滞和陷入局部极小值的可能性。因此，本发明通过引入遗传算法对神经网络的各层参数进行优化，可以避免神经网络陷入局部解的问题，同时考虑收敛速度和计算效率，对遗传算法中的交叉、变异概率进行自适应调整学习，提高疲劳裂纹扩展速率预测效率。

在本优选实施例中，参见图3，步骤S203进一步包括：

S2031，将神经网络的各层参数按照染色体编码规则初始化为种群，并根据种群确定待优化参数的总个数，

S2032，基于适应度函数，计算种群中每个个体的适应度值，

S2033，对种群中每个个体进行选择策略、交叉操作和变异操作，

S2034，繁衍出下一代种群，并计算新种群中每个个体的适应度值，

S2035，根据适应度值，在新个体与原有个体之间选取最优个体，作为优化后的初始参数。

在本优选实施例中，通过输入的参数初始化BP神经网络结构，利用遗传算法将初始网络结构按照染色体编码规则初始化为种群，因此，待优化参数的总个数的计算公式为：

，

式中，num为待优化参数的总个数，m为输入层节点数，o为隐含层节点数，n为输出层节点数。

在本优选实施例中，适应度函数是区分群体中个体好坏的标准。计算神经网络输出与期望输出之间的均方误差，均方误差越小，种群中染色体的适应度越高，因而，本发明以神经网络输出与期望输出之间的均方误差作为评定种群中个体的适应度，那么，种群中每个个体的适应度值的计算公式为：

，

式中，为种群中每个个体的适应度值，N为总样本数，/>为神经网络输出值，为期望输出值。

现有技术中，遗传操作是选择策略、交叉操作和变异操作的统称，传统的遗传算法普遍采用较小的交叉概率（0.5~1.0）和变异概率（0.001~0.005）作为遗传操作中进行交叉和变异的判定依据。其中，交叉概率可以影响种群的丰富性，变异概率影响遗传算法的全局寻优能力，较大的变异概率不利于优良个体的遗传且收敛概率减小，较小的变异概率则不利于劣质个体的进化。随着种群的进化，需要改变交叉概率和变异概率以帮助寻优快速收敛，本发明对遗传算法中的交叉概率和变异概率进行自适应调整。

在本优选实施例中，步骤“对种群中每个个体进行选择策略、交叉操作和变异操作，繁衍出下一代种群，并计算新种群中每个个体的适应度值”进一步包括：选取适应度值大于阈值的个体作为父代个体，对父代个体进行基因交换，生成交叉个体，对交叉个体进行基因突变，繁衍出下一代种群，并计算新种群中每个个体的适应度值。

其中，自适应调整后交叉概率的计算公式为：

，

式中，为自适应调整后的交叉概率，/>为最大适应度；/>为种群平均适应度；/>为交叉中个体较大的适应度；/>，/>分别为两个常数，通常取1.0。

自适应调整后变异概率的计算公式为：

，

式中，为自适应调整后的变异概率，f为变异中个体较大的适应度；/>，/>分别为两个常数，通常取0.5。

在本优选实施例中，种群经过选择策略、交叉操作和变异操作后便繁衍出下一代群体，在计算出新种群中每个个体的适应度值后，通过对比适应度值，在新个体与原有个体之间选取最优个体。

在本优选实施例中，为了进一步提高预测精度，多次重复步骤S2031，直到所选取的选取最优个体满足停止条件。可选地，停止条件可以为达到最大迭代次数T或找到满意解。

在本优选实施例中，神经网络训练方法进一步包括：基于金属材料全阶段疲劳裂纹扩展的大数据，计算神经网络输出与预期输出结果的误差值，进行各层间的权重调整，使得误差逐渐减小直至满足精度要求。

可选地，该神经网络训练方法选用多层前馈神经网络，即BP（Back Propagation）神经网络。BP神经网络是目前常用的按照误差逆传播学习的多层前馈神经网络，由正向传递的学习过程和反向传递的误差反演两个过程组成，学习过程中数据正向传播，网络输出结果与预期的输出结果存在一个误差，通过训练将误差反向传播，并进行各层间的权重调整，使得误差逐渐减小直至满足精度要求。

其中，假设金属材料全阶段疲劳裂纹扩展大数据的输入样本(X,Y)为，/>，

隐含层神经元，隐含层神经元的阈值/>，输出层神经元的阈值/>，

则神经网络输出与预期输出结果的误差值的计算公式为：

，

式中，为迭代过程中神经网络输出与预期输出结果的误差值，k为样本数目，为预期输出值，/>为神经网络输出值，

神经网络权重的计算公式为：

，

式中，为输入层与隐含层神经元间的权重值，/>为隐含层与输出层神经元间的权重值。

在本优选实施例中，传统的BP神经网络由于其学习率固定可能导致网络训练结果不稳定，较小的学习率会增加网络收敛的复杂度，较大的学习率可能会导致无法收敛。因此，神经网络训练方法进一步还包括：在神经网络的学习过程中设定神经网络的学习效率，并根据迭代过程中的误差对神经网络的学习效率进行自适应调整；根据调整后的学习效率对隐含层与输出层的权重值和阈值进行修正。

其中，神经网络的学习效率的计算公式为：

，

式中，η为神经网络的学习效率，

修正后的隐含层与输出层的权重值和阈值简化表示为：

，

式中，为隐含层与输出层神经元间的权重值，/>为隐含层与输出层神经元间的阈值。

需要说明的是，上述实施方式仅仅用来阐述本发明的原理，并非旨在与限制本发明的保护范围，在不偏离本发明原理的条件下，本领域技术人员能够对上述结构进行调整，以便本发明能够应用于更加具体的应用场景。

上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。

综上所述，本发明提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法采用三次Hermite插值方法进行数据增强，扩充疲劳裂纹扩展数据集，增加数据多样性，避免由于疲劳裂纹扩展实验中数据采集不足导致的欠拟合和过拟合问题，能够提高疲劳裂纹扩展速率预测精度。同时引入遗传算法对BP神经网络的各层初始权值阈值进行优化，避免BP神经网络陷入局部最优的缺陷，针对小数据集的训练效果同样优秀。

另一方面，本发明还提供了一种基于神经网络的金属全阶段疲劳裂纹扩展预测系统，如图4所示，该系统实施如上述实施例的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，该系统包括：数据获取模块401、数据处理模块402和模型生成模块403。

数据获取模块401，被配置为能够获取金属材料全阶段疲劳裂纹扩展的试验数据，

数据处理模块402，被配置为能够基于埃尔米特插值方法，对所述金属材料全阶段疲劳裂纹扩展的试验数据进行增强处理，得到金属材料全阶段疲劳裂纹扩展的大数据，

模型生成模块403，被配置为能够对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。

本发明实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。

本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。

本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。

本发明实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。

为进一步说明本发明实施例相关效果，进行如下实验。

基于Hermite插值方法，对金属材料全阶段疲劳裂纹扩展的试验数据经过数据增强后，随机选80%的数据作为训练集，20%的数据作为测试集，将其导入神经网络模型进行训练。其中，神经网络结构分为三层：输入层（2个神经元）、隐含层（100个神经元、双曲正切激活函数tansig）和输出层（1个神经元，线性激活函数purelin），使用梯度下降法进行训练，训练中设置目标最小误差为。

在BP神经网络训练完成后，将测试集上模型得到的预测值与真实值进行对比，来评价BP神经网络预测模型的泛化能力。本发明选用均方误差MSE、相对误差和决定系数R作为评价网络精确度的依据，均方误差MSE、相对误差越小/>，表明模型的拟合性能越好；决定系数R在[0~1]之间，R越接近于1，表明拟合的精度越高，其计算公式如下：

，

式中，N为样本总数，为预测值，/>为实际值，/>为实际值的平均值。

本实例选取7075铝合金实验中四个应力比下的/>数据进行神经网络训练，该实验数据涵盖疲劳裂纹扩展三个阶段，疲劳裂纹扩展速率变化范围较大，且在全阶段内都具有较强的非线性特征，因此裂纹扩展速率具有一定的代表性。

训练后四个应力比下预测的结果曲线与实验得到的数据点如图5（a）-图5（d）所示。具体地，图5（a）为在应力比为R=0.1时本发明实施例提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法所得到的预测结果与试验结果的对比图；图5（b）为在应力比为R=0.3时本发明实施例提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法所得到的预测结果与试验结果的对比图；图5（c）为在应力比为R=0.5时本发明实施例提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法所得到的预测结果与试验结果的对比图；图5（d）为在应力比为R=0.7时本发明实施例提供的基于神经网络的金属全阶段疲劳裂纹扩展预测方法所得到的预测结果与试验结果的对比图。其中R _s为应力比；为裂纹尖端强度因子范围，/>为裂纹扩展速率。参见图5（a）至图5（d），可以看出神经网络预测值与实验值之间误差很小，预测曲线仅在低/>区域与实验数据略有不同。但低/>区域疲劳寿命所占比例较小，预测误差对实验数据的完整性影响不大。因此可认为神经网络可以很好的处理全阶段疲劳裂纹扩展速率的强非线性问题。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述预测方法包括：

S1，获取金属材料全阶段疲劳裂纹扩展的试验数据，

S2，基于埃尔米特（Hermite）插值方法，对所述金属材料全阶段疲劳裂纹扩展的试验数据进行增强处理，得到金属材料全阶段疲劳裂纹扩展的大数据，

S3，对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型。

2.根据权利要求1所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述Hermite插值方法包括：

假设所述金属材料全阶段疲劳裂纹扩展的试验数据有m个数据点，其中第i个数据点的坐标为，对应的导数为/>，

采用以下公式在区间[a, b]上进行三次Hermite插值：

，

式中，x为待插值的点，H(x)为在该点的插值结果；

其中，L(x)为基函数，定义为；/>为插值基函数的导数，定义为/>。

3.根据权利要求1所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，步骤对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型包括：

基于遗传算法，对神经网络的各层参数进行优化，得到优化后的初始参数，其中，所述神经网络包括输出层、隐含层和输出层，

根据所述优化后的初始参数，对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型。

4.根据权利要求3所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，步骤基于遗传算法，对神经网络的各层参数进行优化，得到优化后的初始参数包括：

将神经网络的各层参数按照染色体编码规则初始化为种群，并根据种群确定待优化参数的总个数，

基于适应度函数，计算种群中每个个体的适应度值，

对种群中每个个体进行选择策略、交叉操作和变异操作，繁衍出下一代种群，并计算新种群中每个个体的适应度值，

根据适应度值，在新个体与原有个体之间选取最优个体，作为优化后的初始参数。

5.根据权利要求4所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述待优化参数的总个数的计算公式为：

，

式中，num为待优化参数的总个数，m为输入层节点数，o为隐含层节点数，n为输出层节点数。

6.根据权利要求4所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述种群中每个个体的适应度值的计算公式为：

，

式中，为种群中每个个体的适应度值，N为总样本数，/>为神经网络输出值，/>为期望输出值。

7.根据权利要求6所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，步骤对种群中每个个体进行选择策略、交叉操作和变异操作，繁衍出下一代种群，并计算新种群中每个个体的适应度值进一步包括：

选取适应度值大于阈值的个体作为父代个体，

对所述父代个体进行基因交换，生成交叉个体，

对所述交叉个体进行基因突变，繁衍出下一代种群，并计算新种群中每个个体的适应度值。

8.根据权利要求3所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述神经网络训练方法包括：

基于所述金属材料全阶段疲劳裂纹扩展的大数据，计算神经网络输出与预期输出结果的误差值，

进行各层间的权重调整，使得误差逐渐减小直至满足精度要求，

其中，假设金属材料全阶段疲劳裂纹扩展大数据的输入样本(X,Y)为，隐含层神经元/>，隐含层神经元的阈值/>，输出层神经元的阈值/>，

则神经网络输出与预期输出结果的误差值的计算公式为：

，

式中，为迭代过程中神经网络输出与预期输出结果的误差值，k为样本数目，/>为预期输出值，/>为神经网络输出值，

神经网络权重的计算公式为：

，

式中，为输入层与隐含层神经元间的权重值，/>为隐含层与输出层神经元间的权重值。

9.根据权利要求8所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述神经网络训练方法还包括，

在神经网络的学习过程中设定神经网络的学习效率，并根据迭代过程中的误差对神经网络的学习效率进行自适应调整，

根据调整后的学习效率对隐含层与输出层的权重值和阈值进行修正，

其中，神经网络的学习效率的计算公式为：

，

式中，η为神经网络的学习效率，

修正后的隐含层与输出层的权重值和阈值简化表示为：

，

式中，为隐含层与输出层神经元间的权重值，/>为隐含层与输出层神经元间的阈值。

10.一种基于神经网络的金属全阶段疲劳裂纹扩展预测系统，其特征在于，该系统实施如权利要求1~9任意一项所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，该系统包括：

数据获取模块，被配置为能够获取金属材料全阶段疲劳裂纹扩展的试验数据，

数据处理模块，被配置为能够基于埃尔米特插值方法，对所述金属材料全阶段疲劳裂纹扩展的试验数据进行增强处理，得到金属材料全阶段疲劳裂纹扩展的大数据，

模型生成模块，被配置为能够对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型。