引文格式：

背景简介

在核电、航空航天、海洋工程、建筑等领域中，金属材料的多轴疲劳寿命预测对于结构完整性和设备服役安全起到重要作用。多轴加载路径下，由相位差引起的非比例硬化导致了更为严重的疲劳裂纹萌生与扩展，使得疲劳寿命大幅降低。为描述材料多轴加载下的非比例硬化程度，一系列非比例度被相继提出。与此同时，从最初的等效应力、等效应变模型到目前广为应用的临界面模型，这些传统模型从不同角度考虑材料多轴加载下的非比例行为，但上述方法在不同材料之间的泛化性能与精度仍有进一步提升空间。

目前以机器学习或深度学习算法为代表的数据驱动寿命预测模型在疲劳领域已得到了广泛应用。在此基础上，物理信息神经网络（PINN）通过在神经网络中引入先验物理知识，降低了对大规模数据的依赖，同时保留了数据驱动模型捕捉多变量复杂非线性关系的优势，具备较强的泛化性能，能够快速迁移至不同行业常用材料的疲劳寿命评估中。本研究在神经网络损失函数中引入基于不同临界面的物理惩罚项，并利用多轴应变路径实现对损失函数权重超参数的优化，提出了一种考虑多轴应变路径的自适应物理信息神经网络用于金属材料多轴疲劳寿命预测，并取得了较好的预测效果。

成果介绍

（1）提出了一种基于加载路径的自适应物理信息神经网络（图1）。在元学习框架下，通过ANN、GRU元模型相应引入非比例度、多轴应变路径几何信息作为输入特征，用以优化基于不同临界面模型的损失函数物理惩罚项权重,以平衡不同临界面方法在不同多轴案例下的影响。相较遗传算法优化下的PINN模型（GA-PINN），ANN-PINN和GRU-PINN模型均有较好表现。其中GRU-PINN模型在316LN不锈钢中的多轴疲劳寿命预测结果均方根误差（RMSE）最小，且预测结果主要位于1.5倍误差带以内（图2）。

图1  基于加载路径的自适应物理信息神经网络

图2 基于不同模型的316LN不锈钢多轴疲劳寿命预测结果

（2）通过微调迁移学习方法将316LN不锈钢样本下得到的预训练GRU元模型扩展至316LN不锈钢和304不锈钢的多轴疲劳寿命预测问题中（图3）。通过冻结GRU元模型浅层神经网络，模型可以继承对多轴应变路径的特征提取能力。迁移学习后GRU-PINN模型在两种材料中的多轴疲劳寿命预测结果也大多位于1.5倍分散带内。

图3 （a）基于微调的迁移学习框架，（b）316L不锈钢和304不锈钢的重复实验结果

致谢

该研究工作得到了国家自然科学基金（No. 12302098）和国家资助博士后研究人员计划（GZB20230508）等项目的支持。本文第一作者：Huiya Liao（天津大学），本文通讯作者：孙兴悦助理研究员（天津大学）。

本期小编 孙兴悦（整理）

董乃健（发布）