【技术实现步骤摘要】
本专利技术涉及海洋工程，具体提供一种基于神经网络的金属全阶段疲劳裂纹扩展预测方法及系统。
技术介绍
1、疲劳是指材料、零件和构件在循环加载作用下，某点或某些点产生局部的永久性损伤，并在一定循环次数后形成裂纹或使裂纹进一步扩展直到完全断裂的现象。疲劳导致的失效断裂是工程结构和机械构件的主要失效形式之一，准确了解金属材料的疲劳断裂机制以及裂纹扩展行为对结构剩余寿命评估和损伤容限设计具有重要意义。
2、当前一些修正模型通过引入裂纹扩展门槛值、断裂韧性以及载荷修正系数等参数描述金属裂纹扩展过程，但此类模型所需参数的获取难度较高，限制了其工程应用。而且由于金属全阶段疲劳裂纹扩展过程复杂非线性多变量行为，受到材料本身属性（弹性模型、断裂韧性、塑性参数及晶粒尺度等）和外部荷载条件（频率、载荷比及载荷次序等）等众多因素影响，很难通过明确的代数方程来表征裂纹扩展速率与裂纹扩展驱动力之间的强非线性关系。
3、相应地，本领域需要一种基于神经网络的金属全阶段疲劳裂纹扩展预测方法及系统来解决上述技术问题。
技术实现思路
1、本专利技术旨在解决上述技术问题，即现有方法难以准确预测金属疲劳裂纹扩展的缺陷。
2、本专利技术提供了一种基于神经网络的金属全阶段疲劳裂纹扩展预测方法，所述预测方法包括：
3、s1，获取金属材料全阶段疲劳裂纹扩展的试验数据，
4、s2，基于埃尔米特（hermite）插值方法，对所述金属材料全阶段疲劳裂纹扩展的试验数据进行增强处理，
5、s3，对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型。
6、在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，所述hermite插值方法包括：
7、假设所述金属材料全阶段疲劳裂纹扩展的试验数据有 m个数据点，其中第 i个数据点的坐标为，对应的导数为，
8、采用以下公式在区间[ a, b]上进行三次hermite插值：
9、，
10、式中， x为待插值的点， h( x)为在该点的插值结果；
11、其中， l( x)为基函数，定义为；为插值基函数的导数，定义为；。
12、在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，步骤“对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型”包括：
13、基于遗传算法，对神经网络的各层参数进行优化，得到优化后的初始参数，其中，所述神经网络包括输出层、隐含层和输出层，
14、根据所述优化后的初始参数，对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型。
15、在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，所述“基于遗传算法，对神经网络的各层参数进行优化，得到优化后的初始参数”包括：
16、将神经网络的各层参数按照染色体编码规则初始化为种群，并根据种群确定待优化参数的总个数，
17、基于适应度函数，计算种群中每个个体的适应度值，
18、对种群中每个个体进行选择策略、交叉操作和变异操作，繁衍出下一代种群，并计算新种群中每个个体的适应度值，
19、根据适应度值，在新个体与原有个体之间选取最优个体，作为优化后的初始参数。
20、在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，所述待优化参数的总个数的计算公式为：
21、，
22、式中， num为待优化参数的总个数， m为输入层节点数， o为隐含层节点数， n为输出层节点数。
23、在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，所述种群中每个个体的适应度值的计算公式为：
24、，
25、式中，为种群中每个个体的适应度值， n为总样本数，为神经网络输出值，为期望输出值。
26、在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，步骤“对种群中每个个体进行选择策略、交叉操作和变异操作，繁衍出下一代种群，并计算新种群中每个个体的适应度值”进一步包括：
27、选取适应度值大于阈值的个体作为父代个体，
28、对所述父代个体进行基因交换，生成交叉个体，
29、对所述交叉个体进行基因突变，繁衍出下一代种群，并计算新种群中每个个体的适应度值。
30、在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，所述神经网络训练方法包括：
31、基于所述金属材料全阶段疲劳裂纹扩展的大数据，计算神经网络输出与预期输出结果的误差值，
32、进行各层间的权重调整，使得误差逐渐减小直至满足精度要求，
33、其中，假设金属材料全阶段疲劳裂纹扩展大数据的输入样本( x, y)为，，
34、隐含层神经元，隐含层神经元的阈值，输出层神经元的阈值，
35、则神经网络输出与预期输出结果的误差值的计算公式为：
36、，
37、式中，为迭代过程中神经网络输出与预期输出结果的误差值， k为样本数目，为预期输出值，为神经网络输出值，
38、神经网络权重的计算公式为：
39、，
40、式中，为输入层与隐含层神经元间的权重值，为隐含层与输出层神经元间的权重值。
41、在上述基于神经网络的金属全阶段疲劳裂纹扩展预测方法的具体实施方式中，所述神经网络训练方法还包括，
42、在神经网络的学习过程中设定神经网络的学习效率，并根据迭代过程中的误差对神经网络的学习效率进行自适应调整，
43、根据调整后的学习效率对隐含层与输出层的权重值和阈值进行修正，
44、其中，神经网络的学习效率的计算公式为：
45、，
46、式中， η为神经网络的学习效率，
4本文档来自技高网...
【技术保护点】
1.一种基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述预测方法包括：
2.根据权利要求1所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述Hermite插值方法包括：
3.根据权利要求1所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，步骤对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型包括：
4.根据权利要求3所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，步骤基于遗传算法，对神经网络的各层参数进行优化，得到优化后的初始参数包括：
5.根据权利要求4所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述待优化参数的总个数的计算公式为：
6.根据权利要求4所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述种群中每个个体的适应度值的计算公式为：
7.根据权利要求6所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，步骤对种群中每个个体进行选择策略、交叉操作和变异
8.根据权利要求3所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述神经网络训练方法包括：
9.根据权利要求8所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述神经网络训练方法还包括，
10.一种基于神经网络的金属全阶段疲劳裂纹扩展预测系统，其特征在于，该系统实施如权利要求1~9任意一项所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，该系统包括：
...【技术特征摘要】
1.一种基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述预测方法包括：
2.根据权利要求1所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述hermite插值方法包括：
3.根据权利要求1所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，步骤对所述金属材料全阶段疲劳裂纹扩展的大数据进行神经网络训练，得到金属全阶段疲劳裂纹扩展预测模型包括：
4.根据权利要求3所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，步骤基于遗传算法，对神经网络的各层参数进行优化，得到优化后的初始参数包括：
5.根据权利要求4所述的基于神经网络的金属全阶段疲劳裂纹扩展预测方法，其特征在于，所述待优化参数的总个数的计算公式为：
6.根据权利要求4...
【专利技术属性】
技术研发人员：王阳阳，娄敏，梁维兴，张晨，崔承威，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。