基于机器学习的Ti-6Al-4V合金的超高周疲劳寿命预测
很少有机器学习(ML)模型被应用于超高周疲劳(VHCF)分析,这些方法遇到了数据稀少和过度拟合的限制。本工作旨在克服数据的稀疏性,并提出一个易于使用和非冗余的ML模型用于VHCF分析(图19)。运行蒙特卡洛模拟(MCs)来扩大数据集的规模,并提出了一种ML方法来研究Ti-6Al-4V的缺陷大小、深度、位置和构建方向的协同影响。表示预测和实验疲劳寿命之间变化百分比的系数因子可以达到0.98,这意味着该模型表现出良好的预测精度。
该研究成果近期发表在《Int. J. Fract.》。中科院力学所正高级工程师(研究员)钱桂安为该论文通讯作者。
图19:用构建方向和缺陷的协同效应预测疲劳寿命的机器学习流程图。