原标题:基于机器学习方法的增材制造TC4钛合金疲劳寿命预测建模
以下文章来源于结构完整性联盟 ,作者Horňas J
对于增材制造部件中的缺陷,无损检测可以在构件破坏之前对材料内部的缺陷进行定量化的测量。其中X射线显微计算机断层扫描技术(X-ray micro-computed tomography)非常适用于评估致密的增材制造钛合金部件,并提供内部缺陷在材料体积中的三维空间分布。
针对材料内部缺陷引起过早失效的问题,已有不少学者将缺陷特征参数关联钛合金高周疲劳寿命,构建出了一系列的半经验寿命预测公式,以达到寿命预测的目的。并且还有部分学者通过扩展有限元的方法,模拟含缺陷钛合金的裂纹扩展行为。但是这些半经验寿命预测模型和方法无一例外都需要大量的数据和时间来完善它们的效果。
© 3D科学谷白皮书
论文链接:
https://doi.org/10.1016/j.ijfatigue.2022.107483
近日,International Journal of Fatigue 期刊中发表了”Modelling fatigue life prediction of additively manufactured Ti-6Al-4V samples using machine learning approach”一文。在该文的相关工作中,研究人员引入了基于机器学习(ML)的方法来量化X射线显微计算机断层扫描技术检测到的缺陷的影响,并对特定应力幅下的增材制造Ti-6Al-4V的疲劳寿命进行预测。
同时对人工神经网络(ANN)、随机森林回归(RFR)和支持向量回归(SVR)三种模型进行了对比和优化。通过使用留一法交叉验证(LOOCV)方式调整超参数来对训练集进行优化,并验证优化后模型预测的准确性。
/ 成果简介
研究团队在伪随机选择的20个样本上训练机器学习模型,然后在剩余的9个样本上测试机器学习模型。通过Spearman秩相关性分析排除了不敏感的输入特征,提高了机器学习模型的效率和准确性。图1为机器学习方法预测疲劳寿命的基本流程。式1为Spearman秩相关系数计算公式。
图1 疲劳寿命预测机器学习建模流程框架
为了实现ML模型的最高预测精度,使用LOOCV方法调整超参数。当平均绝对百分比误差(MAPE)最小时,假定此时模型为优化后的模型。比较人工神经网络(ANN)、随机森林回归(RFR)和支持向量回归(SVR)三种模型,其中人工神经网络模型预测精度最高,预测结果的R2 = 0.848和平均绝对百分比误差MAPE = 2.980%。图2是优化后的三种机器学习模型预测疲劳寿命效果对比。
图2 三种机器学习模型预测疲劳寿命效果对比
图3 所有拟合的ML模型计算疲劳寿命的结果及其与试验组试验结果的比较:( a )确定水平;( b )条形图绝对值比较。
研究团队距离对超参数和参数进行调优的机器学习(ML)模型对所有训练集进行拟合。最后,将拟合得到的ML模型用于测试集的疲劳寿命预测。图3a中的双坐标系显示了拟合的ML模型预测的疲劳寿命与疲劳试验中观察到的实验结果相比的确定水平。通过标记来描述样本的个体预测。标记点距离权益线越近,预测的准确性越高。此外,利用图3b中的条形图对计算的绝对值进行了比较。
原论文信息
Horňas J, Běhal J, Homola P, et al. Modelling fatigue life prediction of additively manufactured Ti-6Al-4V samples using machine learning approach[J]. International Journal of Fatigue, 2023, 169: 107483.
返回搜狐,查看更多
责任编辑:
平台声明:该文观点仅代表作者本人,搜狐号系信息发布平台,搜狐仅提供信息存储空间服务。
阅读 (
)