少妇人妻偷人免费观看,午夜免费无码福利视频麻豆,国产午夜福利精品视频

凱爾測控試驗系統（天津）...

查看電話 在線咨詢

立即詢價

您提交后，專屬客服將第一時間為您服務

點擊提交代表您同意《用戶服務協議》《隱私政策》

【科研資訊】數據-物理模型驅動的超高周疲勞壽命預測方法

閱讀：2012 發布時間：2023-10-8

現代工程裝備呈現長壽命服役的發展趨勢，結構超長壽命預測對安全可靠服役至關重要。超高周疲勞是結構超長壽命服役需要考慮的失效模式，人們通過研究疲勞裂紋萌生與擴展機理，建立了超高周疲勞壽命的物理模型；近年來，人工智能與疲勞研究的結合為壽命預測提供了新思路，但數據量不足、純數據驅動未有效融合物理模型仍是制約疲勞壽命預測的難題。

針對這些問題，華東理工大學朱明亮教授、軒福貞教授等人提出了數據-物理模型驅動的超高周疲勞壽命預測框架（圖1），通過選擇結構材料的小樣本疲勞壽命數據，使用Z參量壽命模型進行數據擴展，引入多種機器學習算法和物理模型，采用多種材料對數據-物理模型的預測能力進行比較與驗證。系列研究成果以“On micro-defect induced cracking in very high cycle fatigue regime"“A data-physics integrated approach to life prediction in very high cycle fatigue regime"和“Data-driven approach to very high cycle fatigue life prediction"為題先后發表在Fatigue Fract. Eng. Mater. Struct. 2022; 45: 3393、Int. J. Fatigue 2023; 176: 107917和Eng. Fract. Mech. 2023; 292: 109630上。

研究發現，訓練集越大，機器學習方法預測材料疲勞壽命準確率越高，數據與物理模型的融合可顯著提升預測準確度，為小樣本數據下的超高周疲勞壽命預測提供了解決方案。基于Z參量模型和人工神經網絡搭建的Z-PINN模型對15Cr鋼、FV520B-I鋼和GCr15鋼的超高周疲勞壽命預測準確率分別為78.9%、89.3%和94.3%（圖2）。

圖1 數據-物理模型驅動的疲勞裂紋擴展和超高周疲勞壽命預測框架

圖2 三種典型材料超高周疲勞壽命預測準確度比較

通訊作者簡介：

朱明亮，教授、博導，主要從事機械結構疲勞、損傷與斷裂研究，發表學術論文100余篇，出版專著1部，獲省部級科技一等獎3項。兼任中國材料研究學會疲勞分會理事、中國機械工程學會成組與智能集成技術分會常務委員。

軒福貞，教授、博導，主要從事機械結構強度、智能傳感與壽命可靠性、數字孿生技術等領域研究，發表學術論文300余篇，出版專著5部，獲國家科技進步一等獎、二等獎等獎勵。兼任中國機械工程學會壓力容器分會副理事長、中國化工學會副理事長等。

【科研資訊】數據-物理模型驅動的超高周疲勞壽命預測方法

會員登錄

收藏該商鋪

提示