引文格式：

背景简介

运输、能源和过程装备工业中的高温部件暴露在可变工况下，往往会在启停阶段发生等温低周疲劳（LCF）和热机械疲劳（TMF）。具有任意相位角的TMF通常比等效LCF负载更具破坏性，寿命预测也更具挑战性。LCF和TMF是高温部件设计中的限制因素，为了保证部件的安全性和可靠性，准确的损伤模型尤为重要。目前尚无一种损伤模型被普遍应用于具有各种微观结构和化学成分的金属材料中，这主要是因为高温加载的复杂性和实验数据的缺乏。

机器学习的特点使其成为一种预测复杂载荷（包括加载循环期间的温度变化）下寿命的前瞻性方法，其非常适合用于克服与传统损伤模型相关的困难。已有研究将机器学习应用于疲劳寿命预测领域和本构建模领域，但热机械疲劳寿命预测的机器学习方法仍有待研究。因此，本研究提出了一种基于机器学习的损伤模型，以预测LCF和TMF载荷下的寿命。

成果介绍

（1）提出了一种基于机器学习的损伤模型，该模型基于两层序列学习模型和浅层神经网络的组合（图1）。其中序列学习模型为长短期记忆网络（LSTM）或门控循环单元（GRU）,浅层神经网络为具有4个神经元的单隐层人工神经网络（ANN）。该模型根据半寿命的整个加载序列/迟滞回线预测寿命，能够自动确定损伤参数。相比于仅使用ANN的模型，其更适合预测温度和机械应变率非线性变化的复杂载荷加载工况的寿命。

图1 研究中提出的基于机器学习的损伤模型示意图

（2）分别使用基于ANN和基于两层序列学习模型与浅层神经网络组合的损伤模型预测低合金马氏体钢42CrMo4在复杂LCF和TMF载荷下的寿命（图2）。所提出的基于机器学习的损伤模型预测结果与实验结果之间存在良好的相关性，结果表明基于该方法的损伤模型能够较好地预测低合金马氏体钢42CrMo4在复杂的LCF和TMF载荷条件下的寿命。

图2 使用机器学习预测42CrMo4在等温低周疲劳和热机械疲劳载荷下的寿命

（3）基于ANN的损伤模型模拟出的应变-寿命曲线与实验结果如图3所示。对于测量区间以外的区域，ANN模型的寿命预测结果偏向保守，因为这些数据点的外推是线性的。，因此需要补充更多低应变幅的数据点来提高模型的预测能力。值得注意的是，如果使用基于LSTM和GRU的模型来模拟应变-寿命曲线，则需要本构模型，因为输入序列包括应力和机械应变。

图3 基于ANN的损伤模型模拟的LCF应变-寿命曲线（实线）以及1×10⁻³/s的高应变率下300℃、500℃和600℃相关实验结果

致谢

感谢布拉格CTU机构资源对研究的支持（RVO12000）。本文通讯作者：Michal Bartošák（Department of Mechanics, Biomechanics and Mechatronics, Faculty of Mechanical Engineering, Czech Technical University in Prague, Technicka Street 4, 16607, Prague 6, Czech Republic）。

本期小编：费嘉文（整理）

杨逸璠（校对）

程 航（审核）

闵 琳（发布）