|
Horňas J, Běhal J, Homola P, et al. Modelling fatigue life prediction of additively manufactured Ti-6Al-4V samples using machine learning approach[J]. International Journal of Fatigue, 2023, 169: 107483.
Horňas, Jan, et al. "Modelling fatigue life prediction of additively manufactured Ti-6Al-4V samples using machine learning approach." International Journal of Fatigue 169 (2023): 107483.
Horňas, J., Běhal, J., Homola, P., Senck, S., Holzleitner, M., Godja, N., ... & Petrusová, L. (2023). Modelling fatigue life prediction of additively manufactured Ti-6Al-4V samples using machine learning approach. International Journal of Fatigue, 169, 107483.
背景简介
对于增材制造（AM）部件中的缺陷，无损检测可以在构件破坏之前对材料内部的缺陷进行定量化的测量。其中X射线显微计算机断层扫描技术(X-ray micro-computed tomography)非常适用于评估致密的增材制造钛合金部件，并提供内部缺陷在材料体积中的三维空间分布。
针对材料内部缺陷引起过早失效的问题，已有不少学者将缺陷特征参数关联钛合金高周疲劳寿命，构建出了一系列的半经验寿命预测公式，以达到寿命预测的目的。并且还有部分学者通过扩展有限元的方法，模拟含缺陷钛合金的裂纹扩展行为。但是这些半经验寿命预测模型和方法无一例外都需要大量的数据和时间来完善它们的效果。在本文工作中，引入基于机器学习（ML）的方法来量化X射线显微计算机断层扫描技术检测到的缺陷的影响，并对特定应力幅下的增材制造Ti-6Al-4V的疲劳寿命进行预测。同时对人工神经网络（ANN）、随机森林回归（RFR）和支持向量回归（SVR）三种模型进行了对比和优化。通过使用留一法交叉验证（LOOCV）方式调整超参数来对训练集进行优化，并验证优化后模型预测的准确性。
成果介绍
(1) 在伪随机选择的20个样本上训练机器学习模型，然后在剩余的9个样本上测试机器学习模型。通过Spearman秩相关性分析排除了不敏感的输入特征，提高了机器学习模型的效率和准确性。图1为机器学习方法预测疲劳寿命的基本流程。式1为Spearman秩相关系数计算公式。
.png)
图1 疲劳寿命预测机器学习建模流程框架
(2) 为了实现ML模型的最高预测精度，使用LOOCV方法调整超参数。当平均绝对百分比误差(MAPE)最小时，假定此时模型为优化后的模型。比较人工神经网络（ANN）、随机森林回归（RFR）和支持向量回归（SVR）三种模型，其中人工神经网络模型预测精度最高，预测结果的R2 = 0.848和平均绝对百分比误差MAPE = 2.980%。图2是优化后的三种机器学习模型预测疲劳寿命效果对比。
.png)
图2 三种机器学习模型预测疲劳寿命效果对比
致谢
这项工作的研究获得欧盟H2020计划下的Clean Sky联合技术计划的资助，资助协议编号为101007830，以及捷克共和国工业和贸易部的DKRV01计划的资金支持。本文通讯作者：Horňas J（Czech Aerospace Research Centre, Prague 19905, Czechia）。
本期小编：董乃健（整理）
杨逸璠（校对）
程 航（审核）
闵 琳（发布）
|