基于物理信息神经网络(PINN)的航空发动机叶片高-低周复合疲劳寿命精准预测研究

针对航空发动机叶片在复合高-低周疲劳(CCF)载荷下寿命预测精度不足的难题，研究人员创新性地将物理模型与神经网络结合，构建物理信息神经网络(PINN)框架。基于99组全尺寸叶片和11种合金的实验数据验证，该模型预测结果全部落在3倍分散带内，显著优于传统物理模型(>10倍分散带)，为航空发动机可靠性评估提供了高效精准的新工具。

　　

航空发动机涡轮叶片作为核心热端部件，长期承受着极端复杂的载荷环境——旋转离心力导致的低周疲劳(LCF)与气流激振引发的高周疲劳(HCF)相互耦合，形成独特的复合疲劳(CCF)损伤机制。这种损伤耦合不仅会加速材料失效进程，还可能引发疲劳断裂模式的转变，给寿命预测带来巨大挑战。传统基于Palmgren-Miner线性累积损伤理论的方法虽计算简便，但无法捕捉HCF与LCF的交互效应；而引入损伤相互作用项的改进模型（如Zhu's模型）又面临参数过多、需大量实验标定的局限。尽管机器学习在单一疲劳模式预测中展现出优势，但其纯数据驱动的特性常导致预测结果与物理规律冲突，且在CCF领域的适用性尚未验证。

新加坡教育部资助项目支持下，研究人员开创性地将物理约束嵌入神经网络架构，构建了物理信息神经网络(PINN)预测框架。该研究收集了涵盖11种合金、99组全尺寸涡轮叶片的CCF实验数据，系统对比了Miner's、Zhu's等传统物理模型与PINN的预测性能。结果显示，PINN所有预测值均落在3倍分散带内，而传统模型预测偏差超过10倍分散带。通过5折交叉验证发现，当物理约束权重λ=0.5时，模型决定系数R²可达0.91，较纯神经网络提升37%。研究还揭示了物理模型类型对预测精度的影响规律：考虑非线性损伤累积的Liu's模型与PINN结合时，对高温合金的预测误差可降低至±15%。

关键技术方法包括：1) 构建包含σ_L、σ_H等关键参数的CCF载荷谱；2) 将物理模型作为正则化项嵌入神经网络损失函数；3) 采用贝叶斯优化算法调参；4) 基于99组实验数据（含Ti-6Al-4V等11种材料）进行验证。

主要研究结果：
《CCF life prediction models》章节通过载荷谱分析，明确了σ_LM/σ_Lm应力比对损伤累积的非线性影响机制。
《Framework of the proposed model》章节设计的双通道PINN架构，成功实现了物理方程与数据特征的协同优化。
《Predicted results from different physical models》章节显示，PINN对IN718合金的预测寿命与实验值相关系数达0.93，远超传统模型(0.62)。
《Influential factors for the performance of PINN》章节发现，当采用连续损伤力学框架时，模型对β^-相钛合金的预测精度提升最显著。

结论与意义：该研究首次将PINN应用于CCF寿命预测领域，通过物理约束与数据驱动的深度融合，解决了传统方法在复杂载荷下预测失准的痛点。提出的框架不仅将预测误差控制在工程可接受范围（3倍分散带），还揭示了物理模型选择与材料特性的匹配规律。这项发表于《Mechanics of Materials》的成果，为航空发动机延寿设计提供了兼具物理可解释性与预测精度的新范式，其方法论还可推广至其他多场耦合疲劳问题的研究。