[發(fā)明專利]一種基于機(jī)器學(xué)習(xí)的蠕變疲勞壽命預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202110072083.5
• 申請日: 2021-01-20
• 公開（公告）號: CN112651164A
• 公開（公告）日: 2021-04-13
• 發(fā)明（設(shè)計）人: 王潤梓;王棟銘;張顯程;程呂一;李凱尚;張勇;涂善東
• 申請（專利權(quán)）人: 華東理工大學(xué)
• 主分類號: G06F30/25
• 分類號: G06F30/25;G06F30/27;G06N3/00;G06N3/04;G06N20/00;G06F111/06;G06F119/04;G06F119/14
• 代理公司: 上海智信專利代理有限公司 31002
• 代理人: 鄧琪

本發(fā)明提供了一種基于機(jī)器學(xué)習(xí)的蠕變疲勞壽命預(yù)測方法，包括：獲取待預(yù)測的蠕變疲勞壽命數(shù)據(jù)組，分為訓(xùn)練集和測試集，每一個蠕變疲勞壽命數(shù)據(jù)組均包括實驗蠕變疲勞工況參數(shù)、中間計算參數(shù)和相對應(yīng)的蠕變疲勞對數(shù)壽命；提供ELM模型，利用訓(xùn)練集中的數(shù)據(jù)通過粒子群優(yōu)化算法得到ELM模型的最優(yōu)權(quán)重矩陣、最優(yōu)偏置向量，進(jìn)而得到蠕變疲勞壽命預(yù)測模型；根據(jù)測試集中的蠕變疲勞壽命數(shù)據(jù)組對所述蠕變疲勞壽命預(yù)測模型的精度進(jìn)行驗證。本發(fā)明彌補(bǔ)了傳統(tǒng)方法在預(yù)測蠕變疲勞壽命時精度低、成本高的不足，可充分利用變異PSO算法優(yōu)化ELM模型權(quán)重矩陣和偏置向量的優(yōu)勢，具有誤差小、成本低、效率高的優(yōu)點。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于機(jī)器學(xué)習(xí)的蠕變疲勞壽命預(yù)測方法，屬于材料壽命預(yù)測領(lǐng)域。

背景技術(shù)

現(xiàn)代超超臨界發(fā)電機(jī)組、燃?xì)鈾C(jī)、航空發(fā)動機(jī)等設(shè)備的工作環(huán)境越來越復(fù)雜。除了裝置穩(wěn)態(tài)運行的恒定負(fù)荷外，關(guān)鍵的限壽部件還承受著裝置啟停和溫度波動等因素引起的交變載荷作用。其服役過程伴隨著嚴(yán)重的蠕變-疲勞相互作用，這對構(gòu)件壽命設(shè)計和預(yù)測方法提出了新的挑戰(zhàn)。

雖然高溫合金的蠕變疲勞壽命可以通過實驗方法確定，但由于長期蠕變試驗和昂貴合金制造，需要大量的時間成本和實驗成本。盡管目前存在幾種加速預(yù)測合金蠕變疲勞壽命的理論方法，如時間-溫度參數(shù)法，但其缺乏嚴(yán)格的理論依據(jù)，且沒有充分考慮蠕變疲勞過程中的微觀組織演化信息。

近年來，數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法已成功應(yīng)用于材料性能預(yù)測、新材料發(fā)現(xiàn)或其他目的中，并在時間效率和預(yù)測性能方面具有顯著的優(yōu)勢。基于此，期望獲得一種新的蠕變疲勞壽命預(yù)測方法，以較高的計算效率和較低的時間成本，較為準(zhǔn)確地預(yù)測高溫合金的蠕變疲勞壽命。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于機(jī)器學(xué)習(xí)的蠕變疲勞壽命預(yù)測方法，以實現(xiàn)誤差小、成本低、效率高的優(yōu)點。

為了實現(xiàn)上述目的，本發(fā)明提供一種基于機(jī)器學(xué)習(xí)的蠕變疲勞壽命預(yù)測方法，包括：

S1：獲取待預(yù)測的蠕變疲勞壽命數(shù)據(jù)組，將其隨機(jī)分為70％的訓(xùn)練集和30％的測試集，每一個蠕變疲勞壽命數(shù)據(jù)組均包括實驗蠕變疲勞工況參數(shù)、中間計算參數(shù)和相對應(yīng)的蠕變疲勞對數(shù)壽命；

S2：提供一ELM模型，利用訓(xùn)練集中的數(shù)據(jù)通過粒子群優(yōu)化算法得到ELM模型的最優(yōu)權(quán)重矩陣、最優(yōu)偏置向量，進(jìn)而得到形式為PSO-ELM模型的蠕變疲勞壽命預(yù)測模型；

S3：根據(jù)測試集中的蠕變疲勞壽命數(shù)據(jù)組對所述蠕變疲勞壽命預(yù)測模型的精度進(jìn)行驗證。

所述步驟S1的實驗蠕變疲勞工況參數(shù)包括總應(yīng)變范圍、拉伸保載時間和壓縮保載時間和應(yīng)變速率；中間計算參數(shù)包括總應(yīng)力幅、非彈性應(yīng)變率和非彈性應(yīng)變能密度范圍。

所述步驟S2包括：

S21：設(shè)置PSO-ELM模型的參數(shù)，具體包括：將PSO-ELM模型的輸入層的神經(jīng)元個數(shù)設(shè)置為與實驗蠕變疲勞工況參數(shù)和中間計算參數(shù)的總類別數(shù)相同，其輸出層的神經(jīng)元個數(shù)設(shè)置為1；通過試參法確定其隱藏層的神經(jīng)元的個數(shù)；設(shè)置粒子群優(yōu)化算法的最大迭代次數(shù)和粒子的種群規(guī)模；隨機(jī)初始化粒子的位置和速度；

S22：將訓(xùn)練集中的實驗蠕變疲勞工況參數(shù)和中間計算參數(shù)共同作為輸入數(shù)據(jù)，將訓(xùn)練集中的相對應(yīng)的蠕變疲勞對數(shù)壽命作為輸出數(shù)據(jù)；對輸入數(shù)據(jù)和輸出數(shù)據(jù)均進(jìn)行歸一化操作；

S23：利用歸一化后的輸入數(shù)據(jù)和輸出數(shù)據(jù)對ELM模型進(jìn)行訓(xùn)練，并根據(jù)訓(xùn)練結(jié)果來計算粒子的適應(yīng)度值，粒子的適應(yīng)度值為蠕變疲勞對數(shù)壽命的預(yù)測值與蠕變疲勞對數(shù)壽命的均方根誤差，并通過粒子群優(yōu)化算法確定所有粒子的全局極值，將粒子的全局極值所對應(yīng)的位置作為所述最優(yōu)權(quán)重矩陣和最優(yōu)偏置向量；

S24：將所述最優(yōu)權(quán)重矩陣設(shè)置為所述ELM模型的權(quán)重矩陣，將所述最優(yōu)偏置向量設(shè)置為所述ELM模型的偏置向量，進(jìn)而得到蠕變疲勞壽命預(yù)測模型。