|
Sun X Y, Zhou T G, Song K, et al. An image recognition based multiaxial low-cycle fatigue life prediction method with CNN model [J]. International Journal of Fatigue, 2023, 167: 107324.
Sun, Xing‐Yue, et al. " An image recognition based multiaxial low-cycle fatigue life prediction method with CNN model." International Journal of Fatigue 167 (2023): 107324.
Sun, X. Y., Zhou, T. G., Song, K., & Chen, X. (2023). An image recognition based multiaxial low-cycle fatigue life prediction method with CNN model. International Journal of Fatigue, 167, 107324.
背景简介
在核电、交通、航空航天、石油化工等领域中，金属材料的多轴疲劳寿命预测对于保障结构完整性和设备安全服役都起到了重要作用。为得到准确可靠的多轴疲劳寿命预测结果，从最初的等效应力、等效应变模型到目前广为应用的临界平面模型，已经发展出一系列适用于不同材料服役条件的寿命预测判据，但这些判据在不同材料之间的泛化性能仍然有所不足。
目前以多种机器学习乃至深度学习算法为代表的数据驱动寿命预测模型也开始得到人们的关注。相较于传统经验模型，数据驱动模型能够同时处理包括材料性质、加载形式，环境因素等在内多种变量，具有较强的泛化性能，可以快速迁移应用至石油、化工、核电等不同行业常用材料的疲劳寿命评估中。受传统寿命预测模型中应变能计算方法启发，天津大学陈旭教授课题组提出了一种基于材料应力应变滞环图像的卷积神经网络（CNN）寿命预测方法，并取得了较好的预测效果。
成果介绍
（1）提出了一种基于材料半寿命滞环的动态滞环图像数据处理方法，并设计了与之相匹配的卷积神经网络模型（图1）。通过加入全局池化层的方式使模型具备了处理不同尺寸滞环图像的能力。通过一系列316L多轴疲劳数据确定了在三层卷积网络架构和25 ppi图像分辨率条件下可以获取最佳预测效果，并优于现有的GRU模型结果，预测结果均位于1.5倍分散带以内。
图1 基于滞环图像的316L多轴疲劳寿命预测结果
（a）动态滞环图像示意图，（b）CNN模型架构，（c）寿命预测结果
（2）通过迁移学习的方法将316L数据得到的预训练模型快速迁移至316LN、304L和40#钢的寿命预测问题中（图2）。通过冻结前两层神经网络实现了对滞环特征提取的继承，并使得模型训练所需的样本数量从70%降低至40%。迁移学习后3种材料的寿命预测结果也都基本位于1.5倍分散带内。
图2 迁移学习寿命预测效果
（3）基于回归激活图（Regression activation map，RAM）和积分梯度法（Integrated gradient method，IGM）两种解释性算法，对CNN模型的寿命预测过程进行了可视化分析（图3）。发现了在寿命预测过程中，CNN模型更加关注滞环图像边缘区域的信息。
图3 基于回归激活图（RAM）和积分梯度法（IGM）的CNN模型可视化分析结果
致谢
该研究工作得到了国家自然科学基金（No. 11772219和12011540001）的支持。本文通讯作者：陈旭（天津大学）。
本期小编：李兵兵（整理）
徐浩波（校对）
王康康（审核）
费嘉文（发布）
|