基于图像、平均应变与损伤分数的卷积神经网络预测GH4169合金疲劳寿命

本研究针对GH4169惯性摩擦焊接接头的低周疲劳（LCF）寿命预测难题，创新性地融合图像数据与物理模型参数。研究人员通过构建包含变形图像、平均应变及损伤分数的多模态数据集（规模达1222-2397张图像和1175-2585组数值），发现结合应变与损伤分数的数据集使卷积神经网络（CNN）预测精度最高（R2达0.9560）。该数据-物理融合方法为镍基材料寿命预测提供了新范式，对在役设备无损监测具有重要工程价值。

　　

通过深度学习技术突破GH4169合金惯性摩擦焊接接头的低周疲劳（Low Cycle Fatigue, LCF）寿命预测瓶颈。研究团队构建了三类特征数据集：变形图像序列、平均应变数值以及融合损伤分数（Damage Fraction）的物理参量，分别训练卷积神经网络（Convolutional Neural Network, CNN）模型。实验结果表明，当采用包含1175-2585组应变-损伤分数联合数据时，CNN预测精度显著提升（R2可达0.9560），尤其在大数据集条件下表现优异。该方法创新性地将峰值应变特征作为CNN输入，证实物理模型的引入能有效提升镍基材料寿命预测准确性，为工程结构在役无损监控提供了可靠的技术路径。