|
Sai N J, Rathore P, Chauhan A. Machine learning-based predictions of fatigue life for multi-principal element alloys[J]. Scripta Materialia, 2023, 226: 115214.
Sai, Nichenametla Jai, Punit Rathore, and Ankur Chauhan. "Machine learning-based predictions of fatigue life for multi-principal element alloys." Scripta Materialia 226 (2023): 115214.
Sai, N. J., Rathore, P., & Chauhan, A. (2023). Machine learning-based predictions of fatigue life for multi-principal element alloys. Scripta Materialia, 226, 115214.
背景简介
工程应用中大多数故障都是由疲劳引发，在应用材料之前，必须了解其在循环加载条件下的响应。疲劳现象涉及众多不确定性因素，从疲劳裂纹萌生到扩展，最终导致破坏性的失效，单一试验无法准确地描绘材料的疲劳响应，需要多个试件和测试来确定材料的疲劳响应，然而这无疑是非常耗时的。因此，从单调和可行的疲劳测试中预测材料的疲劳寿命至关重要。
机器学习（ML）在材料科学中的发展为各种传统问题带来了解决方案，从设计新型材料到优化它们的性能。然而，迄今为止，对于传统材料，很少有研究尝试使用ML算法来预测它们的疲劳寿命。随着多主元素合金（MPEA）等新型材料的开发，ML已被用于该材料的设计和优化，并调节出一种优异的机械性能组合，包括在低温和高温下良好的强度和延展性。同时ML被认为是预测材料疲劳寿命的有效工具。因此，本研究旨在使用四种不同的ML算法，以预测两类MPEA（单相CoCrFeMnNi系统多相AlCoCrFeMnNi系统）的室温疲劳寿命。
成果介绍
（1）图1展示了四种算法在两种合金中的三个分割数据集上的归一化均方根误差（NRMSE）和皮尔逊相关系数（PCC）。结果表明，对于CoaCrbFecMndNie系统，三个数据集PCC和NRMSE之间存在微小差异，而对于AlfCogCrhFeiMnjNik系统，三个数据集之间的PCC和NRMSE之间存在显著差异。为了验证所有算法的总体性能，计算了每个系统所有三个数据集的NRMSE和PCC的平均值。然而，与以上结果一致，ML算法表现的趋势保持不变，其中GBOOST是CoaCrbFecMndNie系统中的最佳ML算法，而SVM是AlfCogCrhFeiMnjNik系统中的最佳ML算法。
.jpg)
图1 预测的ML算法的归一化RMSE（NRMSE）和皮尔逊相关系数（PCC）值：(a, e) GBOOST算法，(b, f) SVM算法，(c, g) XGBOOST算法和(d, h) RF算法，其中(a-d)为CoaCrbFecMndNie系统，(e-h)为AlfCogCrhFeiMnjNik系统
（2）图2为四种ML算法的实验与预测疲劳寿命图（标记表示实验与预测疲劳寿命数据点，黑色短划线表示两倍因子范围，红色短划点线表示四倍因子范围）。通过比较发现，GBOOST算法表现最佳，该算法预测的几乎所有的CoaCrbFecMndNie系统数据点都在2倍因子的范围内。对CoaCrbFecMndNie系统中的两种提升算法比较表明，XGBOOST预测了104到106个周期之间的几乎所有数据点，与GBOOST具有相似的准确性。然而，该算法未能预测低于104和高于106个周期的数据点。
对于AlfCogCrhFeiMnjNik系统，SVM和XGBOOST算法预测的大部分疲劳寿命数据点都在2倍因子的范围内。与CoaCrbFecMndNie系统相比，GBOOST算法在低于104和高于106周期的预测效果不佳，而XGBOOST算法在经过适当修剪和正则化后，即使处理有噪声和有限的数据集，也可具有较好的预测性能。此外，相对于CoaCrbFecMndNie系统，RF算法在该系统中具有相当较好的表现。
.jpg)
图2 四种机器学习算法在CoaCrbFecMndNie和AlfCogCrhFeiMnjNik系统中的实验与预测疲劳寿命数据点的比较；(a-d) CoaCrbFecMndNie系统，(e-h)AlfCogCrhFeiMnjNik系统；其中实心标记代表测试集数据点，空心标记代表训练集数据点
（3）图3展示了使用两种性能最佳的ML算法对CoaCrbFecMndNie（GBOOST_split 3和SVM_split 2）和AlfCogCrhFeiMnjNik（SVM_split 3和XGBOOST_split 3）系统进行的实验和预测S-N曲线。显然，除了接近107个循环的数据点外，两个研究系统能够很好的预测其S-N曲线。此外， CoaCrbFecMndNie系统预测和实验S-N数据点之间的差异相对低于AlfCogCrhFeiMnjNik系统。与AlfCogCrhFeiMnjNik系统相比，该结果可能与 CoaCrbFecMndNie系统S-N 图中的实验数据散布较少有关。AlfCogCrhFeiMnjNik系统相对较高的散布可以归因于其双相/多相微观结构，在界面处引起应变不兼容，导致裂纹萌生和扩展情况的随机化。
.jpg)
图3 (a, b) AlfCogCrhFeiMnjNik 和 (c, d) AlfCogCrhFeiMnjNik系统的实验与 ML预测 S-N 图
致谢
本文通讯作者：Chauhan A（Indian Inst Sci IISc, Dept Mat Engn, Bengaluru 560012, Karnataka, India）。
本期小编：程 航（整理）
徐浩波（校对）
王康康（审核）
闵 琳（发布）
|