【技术实现步骤摘要】
本专利技术涉及表面强化材料疲劳寿命预测，更具体地涉及一种表面强化材料疲劳寿命的预测方法及系统。
技术介绍
1、在航空航天和海洋装备等重大工程领域中，对关键部件的疲劳寿命有更高的要求。表面强化技术已被广泛应用以提高材料的疲劳寿命。表面强化后的梯度结构金属材料通过多种机制的耦合，显著改善了其疲劳寿命。精确预测表面强化金属材料的疲劳寿命，探索提升疲劳寿命的关键因素，并据此指导抗疲劳设计，一直是一个挑战。
技术实现思路
1、本专利技术的目的在于提供一种表面强化材料疲劳寿命的预测方法，以精确预测表面强化材料的疲劳寿命，从而对抗疲劳设计进行指导。
2、基于上述目的，本专利技术一方面提供一种表面强化材料疲劳寿命的预测方法，包括：
3、获取表面强化材料的多组样本疲劳数据及每组样本疲劳数据对应的疲劳寿命，其中每组样本疲劳数据均包括疲劳试验的最大应力、频率、应力比，以及材料抗拉强度、表面强化后的塑性变形层深度、表面粗糙度、多个残余应力代表性深度处的残余应力和多个硬度代表性深度处的硬度；
4、获取最佳神经网络模型；
5、以样本疲劳数据作为输入，样本疲劳数据对应的疲劳寿命作为输出，利用各组样本疲劳数据及其对应的疲劳寿命对所述最佳神经网络模型进行训练，得到训练好的神经网络模型；
6、获取待预测表面强化材料的疲劳数据，并将所述待预测表面强化材料的疲劳数据输入训练好的神经网络模型中，以得到待预测表面强化材料的疲劳寿命。
7、进一步地，所述最
8、进一步地，获取最佳神经网络模型，具体包括：
9、获取多个不同的神经网络模型，其中各神经网络模型的各层的神经元数量各不相同；
10、针对每个神经网络模型，利用各组样本疲劳数据及其对应的疲劳寿命对该神经网络模型进行五折交叉验证，得到该神经网络模型的交叉验证误差；
11、选取交叉验证误差最小的神经网络模型作为最佳神经网络模型。
12、进一步地，利用各组样本疲劳数据及其对应的疲劳寿命对最佳神经网络模型进行训练，得到训练好的神经网络模型，具体包括：
13、从各组样本疲劳数据及其对应的疲劳寿命中选取部分作为训练集；
14、针对训练集中的每组样本疲劳数据，将该样本疲劳数据输入所述最佳神经网络模型中，得到所述最佳神经网络模型输出的疲劳寿命的预测值；根据所述疲劳寿命的预测值和该组样本疲劳数据对应的疲劳寿命计算损失；根据所述损失计算梯度；将所述梯度反向传播至所述最佳神经网络模型的各层中，以更新所述最佳神经网络模型的参数；
15、在满足预设条件后，停止更新，以得到训练好的神经网络模型。
16、进一步地，所述残余应力代表性深度为残余应力随深度的变化趋势具有明显波动的深度范围内的深度，硬度代表性深度为硬度随深度的变化趋势具有明显波动的深度范围内的深度。
17、本专利技术另一方面提供一种表面强化材料疲劳寿命的预测系统，包括：
18、第一获取模块，用于获取表面强化材料的多组样本疲劳数据及每组样本疲劳数据对应的疲劳寿命，其中每组样本疲劳数据均包括疲劳试验的最大应力、频率、应力比，以及材料抗拉强度、表面强化后的塑性变形层深度、表面粗糙度、多个残余应力代表性深度处的残余应力和多个硬度代表性深度处的硬度；
19、第二获取模块，用于获取最佳神经网络模型；
20、训练模块，用于以样本疲劳数据作为输入，样本疲劳数据对应的疲劳寿命作为输出，利用各组样本疲劳数据及其对应的疲劳寿命对所述最佳神经网络模型进行训练，得到训练好的神经网络模型；
21、获取待预测表面强化材料的疲劳数据，并将所述待预测表面强化材料的疲劳数据输入训练好的神经网络模型中，以得到待预测表面强化材料的疲劳寿命。
22、进一步地，所述最佳神经网络模型包括第一全连接层、第二全连接层和第三全连接层，所述第一全连接层用于根据多个残余应力代表性深度处的残余应力输出残余应力的综合评估分数，所述第二全连接层用于根据多个硬度代表性深度处的硬度输出硬度的综合评估分数，所述第三全连接层用于根据所述残余应力的综合评估分数、所述硬度的综合评估分数、疲劳试验的最大应力、频率、应力比，以及材料抗拉强度、表面强化后的塑性变形层深度、表面粗糙度输出疲劳寿命。
23、进一步地，获取最佳神经网络模型，具体包括：
24、获取多个不同的神经网络模型，其中各神经网络模型的各层的神经元数量各不相同；
25、针对每个神经网络模型，利用各组样本疲劳数据及其对应的疲劳寿命对该神经网络模型进行五折交叉验证，得到该神经网络模型的交叉验证误差；
26、选取交叉验证误差最小的神经网络模型作为最佳神经网络模型。
27、进一步地，利用各组样本疲劳数据及其对应的疲劳寿命对最佳神经网络模型进行训练，得到训练好的神经网络模型，具体包括：
28、从各组样本疲劳数据及其对应的疲劳寿命中选取部分作为训练集；
29、针对训练集中的每组样本疲劳数据，将该样本疲劳数据输入所述最佳神经网络模型中，得到所述最佳神经网络模型输出的疲劳寿命的预测值；根据所述疲劳寿命的预测值和该组样本疲劳数据对应的疲劳寿命计算损失；根据所述损失计算梯度；将所述梯度反向传播至所述最佳神经网络模型的各层中，以更新所述最佳神经网络模型的参数；
30、在满足预设条件后，停止更新，以得到训练好的神经网络模型。
31、进一步地，所述残余应力代表性深度为残余应力随深度的变化趋势具有明显波动的深度范围内的深度，硬度代表性深度为硬度随深度的变化趋势具有明显波动的深度范围内的深度。
32、本专利技术的表面强化材料疲劳寿命的预测方法及系统，利用残余应力、硬度、表面粗糙度、塑性变形层深度、材料极限抗拉强度、疲劳试验最大应力、应力比、频率作为输入，疲劳寿命作为输出对神经网络模型进行训练，以通过训练好的神经网络模型来表征疲劳寿命与上述特征之间的高度非线性关系，然后利用训练好的神经网络模型预测表面强化材料的疲劳寿命，具有误差小、成本低和效率高的优点。
本文档来自技高网...【技术保护点】
1.一种表面强化材料疲劳寿命的预测方法，其特征在于，包括：
2.根据权利要求1所述的表面强化材料疲劳寿命的预测方法，其特征在于，所述最佳神经网络模型包括第一全连接层、第二全连接层和第三全连接层，所述第一全连接层用于根据多个残余应力代表性深度处的残余应力输出残余应力的综合评估分数，所述第二全连接层用于根据多个硬度代表性深度处的硬度输出硬度的综合评估分数，所述第三全连接层用于根据所述残余应力的综合评估分数、所述硬度的综合评估分数、疲劳试验的最大应力、频率、应力比，以及材料抗拉强度、表面强化后的塑性变形层深度、表面粗糙度输出疲劳寿命。
3.根据权利要求1所述的表面强化材料疲劳寿命的预测方法，其特征在于，获取最佳神经网络模型，具体包括：
4.根据权利要求1所述的表面强化材料疲劳寿命的预测方法，其特征在于，利用各组样本疲劳数据及其对应的疲劳寿命对最佳神经网络模型进行训练，得到训练好的神经网络模型，具体包括：
5.根据权利要求1所述的表面强化材料疲劳寿命的预测方法，其特征在于，所述残余应力代表性深度为残余应力随深度的变化趋势具有明显波动的深度范
6.一种表面强化材料疲劳寿命的预测系统，其特征在于，包括：
7.根据权利要求6所述的表面强化材料疲劳寿命的预测系统，其特征在于，所述最佳神经网络模型包括第一全连接层、第二全连接层和第三全连接层，所述第一全连接层用于根据多个残余应力代表性深度处的残余应力输出残余应力的综合评估分数，所述第二全连接层用于根据多个硬度代表性深度处的硬度输出硬度的综合评估分数，所述第三全连接层用于根据所述残余应力的综合评估分数、所述硬度的综合评估分数、疲劳试验的最大应力、频率、应力比，以及材料抗拉强度、表面强化后的塑性变形层深度、表面粗糙度输出疲劳寿命。
8.根据权利要求6所述的表面强化材料疲劳寿命的预测系统，其特征在于，获取最佳神经网络模型，具体包括：
9.根据权利要求6所述的表面强化材料疲劳寿命的预测系统，其特征在于，利用各组样本疲劳数据及其对应的疲劳寿命对最佳神经网络模型进行训练，得到训练好的神经网络模型，具体包括：
10.根据权利要求6所述的表面强化材料疲劳寿命的预测系统，其特征在于，所述残余应力代表性深度为残余应力随深度的变化趋势具有明显波动的深度范围内的深度，硬度代表性深度为硬度随深度的变化趋势具有明显波动的深度范围内的深度。
...【技术特征摘要】
1.一种表面强化材料疲劳寿命的预测方法，其特征在于，包括：
2.根据权利要求1所述的表面强化材料疲劳寿命的预测方法，其特征在于，所述最佳神经网络模型包括第一全连接层、第二全连接层和第三全连接层，所述第一全连接层用于根据多个残余应力代表性深度处的残余应力输出残余应力的综合评估分数，所述第二全连接层用于根据多个硬度代表性深度处的硬度输出硬度的综合评估分数，所述第三全连接层用于根据所述残余应力的综合评估分数、所述硬度的综合评估分数、疲劳试验的最大应力、频率、应力比，以及材料抗拉强度、表面强化后的塑性变形层深度、表面粗糙度输出疲劳寿命。
3.根据权利要求1所述的表面强化材料疲劳寿命的预测方法，其特征在于，获取最佳神经网络模型，具体包括：
4.根据权利要求1所述的表面强化材料疲劳寿命的预测方法，其特征在于，利用各组样本疲劳数据及其对应的疲劳寿命对最佳神经网络模型进行训练，得到训练好的神经网络模型，具体包括：
5.根据权利要求1所述的表面强化材料疲劳寿命的预测方法，其特征在于，所述残余应力代表性深度为残余应力随深度的变化趋势具有明显波动的深度范围内的深度，硬度代表性深度为硬度随深度的变化趋势具有明显波动的深度范围内的深度。
...【专利技术属性】
技术研发人员：贾云飞，王晓坤，颜建军，张显程，涂善东，
申请(专利权)人：华东理工大学，
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。