基于数据增强与CNN特征学习的正交异性钢桥面板焊接接头小样本疲劳寿命预测框架

本文创新性地提出融合条件生成对抗网络(CGAN)和卷积神经网络(CNN)的疲劳寿命预测框架，通过CGAN增强数据多样性，结合CNN自动提取深层次特征组合，显著提升小样本条件下正交异性钢桥面板(OSD)焊接接头的预测精度。相比传统S-N曲线方法标准差0.88，所提CNN-XGB-Gen模型标准差降至0.021，为工程安全评估提供新范式。

　　

Highlight

本研究开发了整合条件生成对抗网络(CGAN)和卷积神经网络(CNN)的创新框架，通过生成合成数据解决OSD焊接接头疲劳数据稀缺难题，CNN自动挖掘的深层特征使预测模型突破小样本限制。

数据收集与增强

实验数据集包含197个来自文献的OSD肋板焊接节点数据，涵盖7个关键输入特征（屈服强度f_y、板厚t、焊喉尺寸t_U、应力比R、焊缝类型WT、载荷P和应力幅Δσ）。CGAN成功生成符合真实数据统计特性的合成样本，通过核密度估计验证其与实验数据的分布一致性。

机器学习模型开发

采用两种训练策略：生成数据训练-实验数据测试(GTET)和传统实验数据分割(ETET)。在GTET框架下，比较了高斯过程回归(GPR)、随机森林(RF)、XGBoost和CNN-XGBoost四种模型，其中CNN-XGB-Gen表现最优，其决定系数R²达0.98，显著优于S-N曲线方法。

结论

该框架通过CGAN数据增强和CNN特征学习的协同作用，将疲劳寿命预测标准差从传统方法的0.88降至0.021。特别是CNN-XGB-Gen模型展现出卓越的泛化能力，为小样本条件下结构健康监测提供了新思路。