|
Karolczuk A, Skibicki D, Pejkowski Ł. Gaussian Process for Machine Learning-Based Fatigue Life Prediction Model under Multiaxial Stress–Strain Conditions[J]. Materials, 2022, 15(21): 7797.
Karolczuk, Aleksander, Dariusz Skibicki, and Łukasz Pejkowski. "Gaussian Process for Machine Learning-Based Fatigue Life Prediction Model under Multiaxial Stress–Strain Conditions." Materials 15.21 (2022): 7797.
Karolczuk, A., Skibicki, D., & Pejkowski, Ł. (2022). Gaussian Process for Machine Learning-Based Fatigue Life Prediction Model under Multiaxial Stress–Strain Conditions. Materials, 15(21), 7797.
背景简介
在工程结构设计过程中，疲劳模型的选择是首要问题。理论上，选择应取决于材料性质，加载类型以及变形范围，但在实践中，由于模型的多样性和复杂性，选择往往受到设计师知识水平的限制。尽管在过去几十年里已经开发了许多疲劳模型，但由于疲劳评估的高难度，仍有新的疲劳模型在不断发展。
本文提出了一种机器学习（ML）方法来替代半经验疲劳模型。该模型的主要优点是它不需要选择疲劳模型的参数（预定义）形式。基于ML的疲劳模型能够自适应现有数据，并能够正确反映试验数据的疲劳行为。采用高斯过程（GP）建立CuZn37黄铜在不同多轴加载路径下的疲劳寿命预测模型并对模型进行了验证。
成果介绍
（1）采用GP建立CuZn37在不同多轴加载路径下的疲劳寿命预测模型。在基于GP的模型中，最大剪切临界面上以应力和应变分量形式存在的基于物理的输入量作为预测变量。这些量不随坐标系的旋转而变化，因此，训练好的疲劳GP模型符合不变性原则。实现并分析了分配长度尺度给每个预测变量的高斯过程的五个平稳协方差函数。基于预测变量的相关性分析，使用M3/2、M5/2、SE和RQ核进行最终验证。利用两个训练数据集验证了基于GP的模型的预测性能（图1、图2、表1、表2）。第一个训练数据集只包含单轴和纯扭转加载路径，第二个数据集包含一个非比例加载路径。
.png)
图1 应用不同核函数获得第一个训练数据集（单轴和扭转）的RFs
表1 第一个训练数据集的协方差函数的超参数
.png)
图2 应用不同核函数获得的第二个训练数据集（单轴、扭转和NPR路径）的RFs
表2 第二个训练数据集的协方差函数的超参数
.png)
（2）对基于GP的疲劳模型输入量的相关性分析表明，最大剪切应变和最大剪切平面上的正应力是CuZn37黄铜寿命预测的决定性因素。在单轴和纯扭转加载路径上训练的GP模型对于预测非比例加载路径下CuZn37黄铜的疲劳寿命是无效的。两种matern类（M3/2, M5/2）、SE和RQ核成功应用于基于GP的模型，其预测性能优于fatemi-social、Brown-Miller、Glinka和Yu等常用的参数化多轴准则（图3、图4），且与参数疲劳模型相比，基于GP的模型计算时间缩短了约7.8倍。另外，通过将应力/应变的平均分量添加到输入量（预测量）中，可以简单地实现平均加载的影响。
.jpg)
图3 基于疲劳GP模型的第一个训练数据集上使用 (a) M3/2、(b) M5/2和(c) RQ / SE核训练获得的试验和计算疲劳寿命的比较
.jpg)
图4 基于疲劳GP模型的第二个训练数据集上使用(a) M3/2、(b) M5/2、(c) RQ 和(d) SE 内核训练获得的试验和计算疲劳寿命的比较
致谢
该研究由波兰国家科学中心资助（第2021/41/ B/ST8/00257号决定）。该研究由波兰国家科学中心资助（第2021/41/ B/ST8/00257号决定）。本文通讯作者：Karolczuk A（Department of Mechanics and Machine Design, Opole University of Technology, Ul. Mikołajczyka 5, 45-271 Opole, Poland）。
本期小编：费嘉文（整理）
闵 琳（校对）
舒 阳（审核）
闵 琳（发布）
|