基于物理信息神经网络(PINN)的航空发动机叶片复合疲劳寿命高精度预测方法研究

推荐：航空发动机叶片在复合高低周疲劳(CCF)载荷下的寿命预测面临精度不足的挑战。研究团队创新性地将物理模型与神经网络(NN)结合，构建物理信息神经网络(PINN)框架，利用99组全尺寸叶片和合金数据验证。结果显示PINN预测误差控制在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新工具。

　　

航空发动机涡轮叶片作为核心部件，长期承受着极端复杂的复合疲劳载荷——既有来自离心力的低频大应力低周疲劳(LCF)，又有气流激振引发的高频小应力高周疲劳(HCF)。这种复合疲劳(CCF)工况会加速损伤累积并引发失效模式转变，传统基于Palmgren-Miner线性累积损伤理论或修正的Zhu模型等物理方法，由于难以量化LCF-HCF交互作用，预测误差常超出10倍分散带。而纯数据驱动的机器学习虽能捕捉复杂非线性关系，却存在与物理规律冲突、外推性差等问题。

针对这一工程难题，新加坡教育部资助的研究团队在《Mechanics of Materials》发表创新成果，首次将物理信息神经网络(PINN)框架引入CCF寿命预测领域。研究人员收集了11类合金和全尺寸涡轮叶片共99组实验数据，通过将Miner模型、Zhu模型等物理方程嵌入神经网络隐藏层构建约束条件，开发出兼具物理可解释性与数据适应性的混合模型。关键技术包括：1) 建立包含频率比m、应力幅σ_L/σ_H等参数的CCF载荷谱特征提取方法；2) 采用5折交叉验证优化PINN超参数；3) 通过损失函数权重分析确定物理约束最佳强度。

【CCF life prediction models】
通过对比传统物理模型发现，未考虑交互作用的Miner模型预测寿命普遍偏长，而引入损伤修正项的Zhu模型在Ti合金数据中误差仍达8.7倍。

【Framework of the proposed model】
PINN框架通过物理方程指导神经网络权重更新，使预测结果同时满足数据规律和损伤力学原理。当物理约束权重λ=0.5时，模型在IN718镍基合金上的决定系数R²提升至0.91。

【Predicted results from different physical models】
融合Yue双线性模型的PINN表现最优，全部预测值落入3倍分散带，对TC4钛合金叶片寿命预测误差仅±19%，显著优于单独NN模型(±42%)。

【Influential factors for the performance of PINN】
研究表明：1) 物理模型复杂度与预测精度呈正相关，但过度参数化会降低泛化能力；2) 随机森林(RF)算法在小型数据集上稳定性优于支持向量机(SVM)。

这项研究开创性地证明了PINN在复杂疲劳场景中的应用价值，其预测精度比传统方法提高67%，为航空发动机延寿设计提供了可靠工具。特别值得注意的是，该方法仅需常规LCF/HCF基础数据即可实现CCF寿命预测，大幅降低了全工况测试成本。未来可通过引入晶体塑性有限元等跨尺度模型，进一步拓展其在多轴疲劳领域的适用性。