【技术实现步骤摘要】
本专利技术涉及材料物理性质测定和分析领域，具体涉及一种基于微结构分析的材料寿命预测方法。
技术介绍
1、材料的寿命预测是工程界中的一个重要课题。它对于设备的维护、更换以及安全运行具有关键意义。
2、传统的材料寿命预测方法主要依赖于例如材料的强度、硬度、应变等宏观参数，或例如指数分布表达式等经验公式。然而这些方法往往无法准确预测材料的使用寿命，因为它们忽略了材料内部微观结构的影响。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的一种基于微结构分析的材料寿命预测方法，解决了传统技术精度不佳的问题。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：
3、一种基于微结构分析的材料寿命预测方法，包括以下步骤：
4、s1、通过x射线照射待测材料，采集得到三维x射线衍射图谱；
5、s2、对三维x射线衍射图谱进行空间转换，得到三维微观结构图；
6、s3、通过多尺度神经网络分析三维微观结构图的纹理，得到晶粒平均尺寸估计量；
7、s4、根据晶粒平均尺寸估计量，通过微结构优化的应力疲劳寿命拟合函数，计算得到待测材料的寿命。
8、本专利技术的有益效果为：本专利技术从微观结构出发，通过x射线衍射图的空间转换以及纹理识别，获取待测材料的微观晶粒平均尺寸，以此作为重要的微观参数，结合应力疲劳损伤的宏观参数，进行相比于传统技术更为准确的材料寿命预测。
9、进一步地，所述s2中空间转换
10、，
11、，
12、，
13、其中，为三维微观结构图x轴矢量，为三维微观结构图y轴矢量，为三维微观结构图z轴矢量，π为圆周率，∙为矢量点乘，×为矢量叉乘，为三维x射线衍射图谱x轴矢量，为三维x射线衍射图谱y轴矢量，为三维x射线衍射图谱z轴矢量。
14、上述进一步方案的有益效果为：x射线照射待测材料后，能得到晶格衍射的图像，该图像空间被称为倒易空间，其中的粒子点阵与现实空间中的粒子呈现傅里叶对应关系。通过上式的空间矢量变换，能够将三维x射线衍射图谱中的目标对象转换到现实空间中，更便于直接的纹理分析及晶粒轮廓分析。
15、进一步地，所述s3中多尺度神经网络包括：
16、多尺度卷积子网络，用于通过多层卷积提取不同尺度下的三维微观结构图中材料晶格的边缘纹理，并进行加权融合，得到多尺度纹理特征图；
17、全连接运算子网络，用于通过全连接型神经网络运算，根据多尺度纹理特征图，得到晶粒平均尺寸估计量。
18、上述进一步方案的有益效果为：三维微观结构图的纹理，即为待测材料微观晶粒轮廓，通过多尺度纹理提取和全连接网络运算，便可获得待测材料的晶粒平均尺寸。
19、进一步地，所述多尺度卷积子网络包括：
20、第一卷积层，用于通过卷积运算处理三维微观结构图，得到第一尺度纹理特征图；
21、第二卷积层，用于通过卷积运算处理第一尺度纹理特征图，得到第二尺度纹理特征图；
22、第三卷积层，用于通过卷积运算处理第二尺度纹理特征图，得到第三尺度纹理特征图；
23、第一最大池化层，用于对第一尺度纹理特征图进行最大池化下采样，得到与第三尺度纹理特征图相同尺寸的第一尺度纹理特征抽样图；
24、第二最大池化层，用于对第二尺度纹理特征图进行最大池化下采样，得到与第三尺度纹理特征图相同尺寸的第二尺度纹理特征抽样图；
25、第一乘法器，用于通过矩阵数乘运算，根据第一加权系数，对第一尺度纹理特征抽样图进行加权；
26、第二乘法器，用于通过矩阵数乘运算，根据第二加权系数，对第二尺度纹理特征抽样图进行加权；
27、第三乘法器，用于通过矩阵数乘运算，根据第三加权系数，对第三尺度纹理特征图进行加权；
28、加法器，用于对加权后的第一尺度纹理特征抽样图、第二尺度纹理特征抽样图和第三尺度纹理特征图进行矩阵加法，得到多尺度纹理特征图。
29、进一步地，所述第一卷积层、第二卷积层和第三卷积层的卷积核均为：
30、，
31、所述第一卷积层采用如下的图像卷积运算：
32、，
33、其中，figout(x,y)为图像卷积运算输出图的x行y列像素值，c(i,j)为图像卷积运算卷积核的i行j列值，figin(x+i,y+j)为图像卷积运算输入图的x+i行y+j列像素值，bias为图像卷积运算偏置系数；
34、所述第二卷积层和第三卷积层采用如下的图像空洞卷积运算：
35、，
36、其中，为图像空洞卷积运算输出图的x行y列像素值，为图像空洞卷积运算卷积核的i行j列值，为图像空洞卷积运算输入图的x+i∙κ行y+j∙κ列像素值，κ为膨胀率，为图像空洞卷积运算偏置系数。
37、上述进一步方案的有益效果为：本专利技术设计使用的卷积核，是一种基于二阶微分的3×3矩阵，适用于检测图像中高频变化区域的边缘轮廓，能够有效提取晶粒纹理。在第二卷积层和第三卷积层采用空洞卷积运算，引入膨胀率，使同样尺寸的卷积核获得更大的感受野。而多尺度的纹理特加权，兼顾了感受野和细节的分辨能力。各尺度纹理特征图加权求和前的尺寸大小匹配均采用最大池化层抽样，能够在下采样的过程中有效保护纹理信息，更利于后续运算。
38、进一步地，所述全连接运算子网络包括至少两个全连接层，使用梯度下降算法，以均方误差函数作为代价函数，进行参数训练。
39、进一步地，所述s4中微结构优化的应力疲劳寿命拟合函数的表达式为：
40、，
41、其中，n为待测材料的寿命，γ为环境修正系数，σ0为疲劳强度系数，σa为应力幅，η为疲劳强度系数修正因子，ξ为晶粒尺寸强化比例因子，m为晶粒尺寸强化指数因子，b为疲劳强度指数。
42、进一步地，所述微结构优化的应力疲劳寿命拟合函数的拟合方法包括以下步骤：
43、a1、根据待测材料的使用工况，确定应力幅；
44、a2、根据待测材料的类型，获取疲劳强度系数和疲劳强度指数；
45、a3、设定疲劳强度系数修正因子、晶粒尺寸强化比例因子和晶粒尺寸强化指数因子的初值，使用ga算法，根据已知寿命的材料样本，以寿命运算误差最小作为寻优目标，进行疲劳强度系数修正因子、晶粒尺寸强化比例因子和晶粒尺寸强化指数因子的参数寻优。
46、上述进一步方案的有益效果为：传统的材料寿命疲劳计算公式，只考虑了交变应力对材料的影响，只涉及应力幅、疲劳强度系数和疲劳强度指数，没有考虑材料在实际生产中，得到的微观晶粒尺寸不同，造成点缺陷、面缺陷、体缺陷不同，使得材料抗疲劳能力也不同。且材料由于环境温湿度以及腐蚀影响，各系数指标也会发生偏移，因此本专利技术在引入晶粒尺寸的同时，还设置了多个因子，以进行寿命的拟合和细节的修正。
本文档来自技高网...【技术保护点】
1.一种基于微结构分析的材料寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于微结构分析的材料寿命预测方法，其特征在于，所述S2中空间转换的表达式为：
3.根据权利要求1所述的基于微结构分析的材料寿命预测方法，其特征在于，所述S3中多尺度神经网络包括：
4.根据权利要求3所述的基于微结构分析的材料寿命预测方法，其特征在于，所述多尺度卷积子网络包括：
5.根据权利要求4所述的基于微结构分析的材料寿命预测方法，其特征在于，所述第一卷积层、第二卷积层和第三卷积层的卷积核均为：
6.根据权利要求3所述的基于微结构分析的材料寿命预测方法，其特征在于，所述全连接运算子网络包括至少两个全连接层，使用梯度下降算法，以均方误差函数作为代价函数，进行参数训练。
7.根据权利要求1所述的基于微结构分析的材料寿命预测方法，其特征在于，所述S4中微结构优化的应力疲劳寿命拟合函数的表达式为：
8.根据权利要求7所述的基于微结构分析的材料寿命预测方法，其特征在于，所述微结构优化的应力疲劳寿命拟合函数的拟合方
...【技术特征摘要】
1.一种基于微结构分析的材料寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于微结构分析的材料寿命预测方法，其特征在于，所述s2中空间转换的表达式为：
3.根据权利要求1所述的基于微结构分析的材料寿命预测方法，其特征在于，所述s3中多尺度神经网络包括：
4.根据权利要求3所述的基于微结构分析的材料寿命预测方法，其特征在于，所述多尺度卷积子网络包括：
5.根据权利要求4所述的基于微结构分析的材料寿命预测方法，其特征在于，所述第一卷积层、...
【专利技术属性】
技术研发人员：王建，付尧明，刘杭，李梦，张艳艳，向宏辉，
申请(专利权)人：中国民用航空飞行学院，
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。