|
Chavoshi S Z, Tagarielli V L. Data‐driven prediction of the probability of creep–fatigue crack initiation in 316H stainless steel[J]. Fatigue & Fracture of Engineering Materials & Structures, 2022.
Chavoshi, Saeed Zare, and Vito L. Tagarielli. "Data‐driven prediction of the probability of creep–fatigue crack initiation in 316H stainless steel." Fatigue & Fracture of Engineering Materials & Structures (2022).
Chavoshi, S. Z., & Tagarielli, V. L. (2022). Data‐driven prediction of the probability of creep–fatigue crack initiation in 316H stainless steel. Fatigue & Fracture of Engineering Materials & Structures.
背景简介
先进气冷反应堆（AGR）广泛用于核能发电系统，反应堆中的部分不锈钢部件在650℃左右的温度运行条件下面临蠕变-疲劳变形和断裂的风险。因此，预测AGR的剩余寿命至关重要，并且需要严格和全面的概率分析来预测此类部件的结构失效。
已有研究表明，可以通过基于物理的数值模拟和蒙特卡罗（MC）分析预测具有不同几何形状的AGR部件中裂纹萌生的概率。而量化蠕变疲劳裂纹萌生的概率需要概率数值模拟，计算过程复杂且要求高，并且需要大量的经验。因此，设计一种比完整MC分析更快速的估算蠕变-疲劳裂纹萌生概率的方法非常有意义。
成果介绍
本文基于R5V2/3高温评估程序进行了MC模拟，并确定了裂纹萌生概率对载荷和操作条件的敏感性。模拟数据用于训练考虑贝叶斯超参数优化的不同监督机器学习模型。文中讨论了不同模型的相对性能，并表明梯度树增强算法以最高的精度生成替代模型。
（1）本文研究整体方法流程如图1所示。研究对蠕变-疲劳裂纹萌生概率进行了基于物理的随机预测，该数据用于校准不同的数据驱动替代模型。第一阶段需要根据电厂历史数据，生成具有材料特性、载荷、应力、运行参数及其概率分布的数据集。模拟概率R5V2/3过程进行综合蒙特卡罗分析，评估输出的分布。第二阶段包括集合训练数据集，优化所选机器学习算法的超参数，并评估它们的相对性能。
.png)
图1 预测蠕变-疲劳裂纹萌生概率的数据驱动方法示意图
（2）使用最佳超参数训练了12种机器学习模型并计算其评估指标，评估结果如图2所示。所有算法的均方根误差（RMSE）和绝对系数（R2）分别在~0.175和~0.84的范围内。梯度树提升算法（GTB）在精度方面表现最佳，RMSE、平均绝对误差（MAE）和R2分别为0.033072、0.017964和0.992307。GTB算法的训练时间是141.8s，位列第三但仍小于多层感知器算法（MLP）和随机森林算法（RF）。GTB算法的预测性能如图3所示，显示了来自测试数据集的112个样本和21个全新的随机样本数据，验证了模型的准确性。
.png)
图2 12种数据驱动机器学习算法的均方根误差（RMSE）、决定系数（R2）、平均绝对误差（MAE）和训练时间
.png)
图3 GTB机器学习算法的预测性能
（3）图4（A）所示的特征重要性得分表明，工作温度是预估裂纹萌生概率影响程度最大的因素，占回归力的60%以上，压力和工作时间分别是第二和第三重要的特征。斯皮尔曼相关性如图4（B）所示，相关性分析表明，工作温度与裂纹萌生概率呈正相关，其次是应力和工作时间。
.png)
图4（A） 梯度树增强回归（GTB）模型输入特征的相对重要性和（B）斯皮尔曼相关图，PoI代表裂纹萌生的概率。
致谢
SZC感谢EDF能源公司的Rick Bradford和Julian Johns以及布里斯托尔大学的Julian Booker提供的建议和支持。本文通讯作者：Tagarielli V L（Department of Aeronautics, Imperial College London, London, UK）。
本期小编：杨 凯（整理）
杨逸璠（校对）
程 航（审核）
闵 琳（发布）
|