【技术实现步骤摘要】
本专利技术涉及下一代信息网络，尤其涉及一种基于神经网络的疲劳裂纹扩展材料参数识别和剩余寿命预测方法。
技术介绍
1、疲劳裂纹是由于材料或结构在循环加载下发生的应力集中和应力循环引起的裂纹。疲劳裂纹的扩展可能导致材料或结构的失效，从而引发事故或损害人员安全。疲劳裂纹扩展剩余寿命是指在材料或结构中存在疲劳裂纹的情况下，裂纹扩展的剩余寿命。通过准确预测疲劳裂纹扩展剩余寿命，可帮助制定合理的维修和维护策略，提前采取维修、更换或加固等措施，确保材料或结构在安全范围内使用。
2、随着计算机技术的进步，数据驱动方法因可在不假设任何函数形式的情况下对潜在的疲劳损伤过程进行近似，其已作为一种有前景的工具，被用于疲劳裂纹扩展寿命预测。相对于基于物理的预测方法，数据驱动方法通过数据组合能够更容易同时考虑多种影响结构性能的因素，例如不同材料、载荷信息、缺陷分布信息等。然而，数据驱动的方法往往需要大量的标记数据来训练模型以保障其预测精度。受限于成本或试验条件，大量的疲劳寿命试验数据通常难以获取。且当前数据驱动方法通常是黑盒模型，其在可解释性以及外推性能预测方面均收到诸多质疑，尤其是其可能过拟合观测数据而产生与物理相违背的预测结果。近年来，将物理融入到数据驱动模型，实现物理和数据融合的方法得到了极大的关注。物理诱导神经网络通过将物理模型或经验公式融入神经网络，可实现少量数据下的高精度预测。
3、然而，现有物理诱导神经网络方法大都集中在疲劳寿命预测，而几乎没有关注疲劳裂纹扩展剩余寿命的预测。在疲劳裂纹扩展剩余寿命预测时，仅有部分已观测
技术实现思路
1、本专利技术的专利技术目的是针对含裂纹结构件构建一种基于神经网络的疲劳裂纹扩展材料参数识别和剩余寿命预测方法。具体的，本专利技术提出一种基于神经网络的疲劳裂纹扩展材料参数识别和剩余寿命预测方法，包括以下步骤：
2、s1使用传感器观测构件的裂纹扩展长度及其对应的循环次数；
3、s2选择传统的基于物理的裂纹扩展速率模型和确定初始的材料参数；
4、s3对裂纹长度，循环次数，材料参数进行参数缩放；
5、s4构件通过裂纹长度预测其循环次数的神经网络；
6、s5根据裂纹扩展速率模型构建物理信息混合的损失函数；
7、s6同时优化神经网络和裂纹扩展速率模型中的材料参数；
8、s7获得符合构件个体的裂纹扩展常数并利用调整好的神经网络预测裂纹扩展剩余寿命。
9、作为本专利技术进一步的方案：在所述s1中，监测获得构件的在服役时间内的裂纹扩张长度a和其对应的循环次数n，以及其他可利用的结构的材料的裂纹扩展信息，例如裂纹扩展门槛值，材料断裂韧性等。
10、作为本专利技术进一步的方案：在所述s2中，所述裂纹扩展模型速率模型形式如下：
11、
12、其中，g(·)会包含裂纹扩展材料参数，例如在经典的裂纹扩展速率模型paris公式，其表达式为：
13、
14、其中包含材料参数c和m。δk为裂纹尖端应力强度因子幅度，与裂纹长度a密切相关。简单结构件的δk可通国解析表达式求得，复杂结构件的δk可由有限元方法求解。
15、作为本专利技术进一步的方案：在所述s3中，所述的参数缩放如下：
16、
17、其中，a表示裂纹长度，a0表示初始裂纹长度，n表示循环次数，l为裂纹扩展寿命所处的数量级(例如：104或105)，c和m为裂纹扩展模型中的材料参数，[·]表示向下取整计算。
18、作为本专利技术进一步的方案：在所述s5中，所述的混合损失函数如下：
19、loss＝λ1lossd+λ2lossp
20、其中，lossd为数据损失，lossp是裂纹扩展速率模型的物理损失，λ1和λ2为平衡损失项的超参数。lossd是用以衡量神经网络预测的裂纹长度所对应的循环次数和观测实际循环次数之间的误差，其表达式如下：
21、
22、其中mseloss代表均方根损失函数，aobs代表观测的裂纹长度，nn(·)代表神经网络，npred代表神经网络预测的循环次数，nobs代表实际观测的循环次数。lossp使用以衡量神经网络提取的裂纹扩展速率和物理模型之间的差距，其表达式如下:
23、
24、其中，ap为从初始裂纹长度到临界裂纹长度随机采样的虚拟裂纹长度，采样数目为神经网络超参数。
25、作为本专利技术进一步的方案：在所述s6中，在网络训练时将物理模型中材料参数设定为神经网络的可更新参数，与神经网络自身的权重和偏置参数一同由优化器更新。
26、作为本专利技术进一步的方案：在所述s7中，通过s6调整后神经网络能通过下式预测剩余寿命：
27、nref＝nn(ac)-nt
28、其中，ac为临界裂纹长度，nt为观测时的循环次数，nref为裂纹扩展剩余寿命。而裂纹扩展模型中的材料参数便一同随模型的更新而得到，最后再通过s3中的参数缩放，反向求解为原材料参数的数值尺度。
29、与现有技术相比，本专利技术的有益效果是：
30、1、本专利技术中采用的物理规律来自基于弹性力学和断裂力学的裂纹扩展速率模型。针对含裂纹构件，构建了一个物理信息混合函数，用以约束神经网络的训练。这赋予作为数据驱动方法的神经网络更强的可解释性和可靠性。并将物理模型中的材料参数视作可更新参数，在逐步的训练过程中，找到符合监测对象个体裂纹扩展规律的材料参数。
31、2、本专利技术中采用物理诱导神经网络预测裂纹扩展剩余寿命，在裂纹扩展初期的少量观测数据下，能够克服物理模型受个体差异性影响较大和数据驱动模型对小样本数据外推预测能力较差的问题。且在预测裂纹扩展剩余寿命的同时，还能够识别裂纹扩展速率模型中的材料参数。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的裂纹扩展参数识别与剩余寿命预测方法，其特征在于：所述基于神经网络的疲劳裂纹扩展材料参数识别和剩余寿命预测方法包括以下步骤：
2.根据权利要求1所述的一种基于神经网络的裂纹扩展参数识别与剩余寿命预测方法，其特征在于：所述的S1中利用N组裂纹扩展试验件的裂纹扩展实验结果作为观测对象，其中1组实验数据作为验证集用于确定神经网络和训练过程中的超参数，其余N-1组实验数据用于测试本方法的有效性。
3.根据权利要求1所述的一种基于神经网络的裂纹扩展参数识别与剩余寿命预测方法，其特征在于：所述S2中针对数据集仅提供必要载荷信息而无更多裂纹扩展参数信息的情况，选择Paris公式作为后续物理信息融合的模型；其中，Paris公式包含材料参数，初始的材料参数通过验证集实验数据采用最小二乘法线性拟合所得。
4.根据权利要求1所述的一种基于神经网络的裂纹扩展参数识别与剩余寿命预测方法，其特征在于：所述的S3中包括对裂纹长度、初始裂纹长度、循环次数以及裂纹扩展寿命所处的数量级l进行特定的缩放处理。
5.根据权利要求1所述的一种基于神经网络
6.根据权利要求1所述的一种基于神经网络的裂纹扩展参数识别与剩余寿命预测方法，其特征在于：所述S5中，该损失函数包含数据损失和物理损失两部分，并通过超参数进行平衡调整；数据损失部分采用均方根损失函数(MSELoss)来评估神经网络预测的裂纹长度所对应的循环次数(npred)与实际观测的循环次数(nobs)之间的误差，物理损失部分则用于衡量神经网络提取的裂纹扩展速率与物理模型之间的差异。
7.根据权利要求1所述的一种基于神经网络的裂纹扩展参数识别与剩余寿命预测方法，其特征在于：所述S6中是针对所提出的物理诱导神经网络进行优化。
8.根据权利要求1所述的一种基于神经网络的裂纹扩展参数识别与剩余寿命预测方法，其特征在于：所述S7中，通过S6调整后的神经网络，利用特定公式预测剩余寿命，其中考虑了临界裂纹长度、观测时的循环次数以及裂纹扩展剩余寿命；同时，裂纹扩展模型中的材料参数随模型的更新而得到，并通过S3中的参数缩放反向求解为原材料参数的数值尺度。
...【技术特征摘要】
1.一种基于神经网络的裂纹扩展参数识别与剩余寿命预测方法，其特征在于：所述基于神经网络的疲劳裂纹扩展材料参数识别和剩余寿命预测方法包括以下步骤：
2.根据权利要求1所述的一种基于神经网络的裂纹扩展参数识别与剩余寿命预测方法，其特征在于：所述的s1中利用n组裂纹扩展试验件的裂纹扩展实验结果作为观测对象，其中1组实验数据作为验证集用于确定神经网络和训练过程中的超参数，其余n-1组实验数据用于测试本方法的有效性。
3.根据权利要求1所述的一种基于神经网络的裂纹扩展参数识别与剩余寿命预测方法，其特征在于：所述s2中针对数据集仅提供必要载荷信息而无更多裂纹扩展参数信息的情况，选择paris公式作为后续物理信息融合的模型；其中，paris公式包含材料参数，初始的材料参数通过验证集实验数据采用最小二乘法线性拟合所得。
4.根据权利要求1所述的一种基于神经网络的裂纹扩展参数识别与剩余寿命预测方法，其特征在于：所述的s3中包括对裂纹长度、初始裂纹长度、循环次数以及裂纹扩展寿命所处的数量级l进行特定的缩放处理。
5.根据权利要求1所述的一种基于神经网络的裂纹扩展参数识别...
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。