基于反向传播神经网络对TP321H不锈钢蠕变曲线的数据驱动插值预测

《Applied Sciences》：Long-Term Creep Curve Interpolation of TP321H Stainless Steel Using a Neural Network Trained on a Limited Set of Experimental Data

　　

摘要

长期蠕变试验耗资巨大且耗时漫长，这使得对蠕变曲线的可靠预测对于高温组件的设计和安全评估至关重要。本文提出了一种基于数据的插值方法，利用反向传播神经网络（BPNN）从有限的实验数据中插值得到完整的蠕变曲线。在550 °C条件下，对TP321H不锈钢进行了蠕变试验，试验涵盖五个应力水平（160–200 MPa），试验时间最长达8000小时。采用三个隐藏层的BPNN，仅以四个应力水平（160、170、190和200 MPa）的数据进行训练，随后将其应用于预测留出的180 MPa工况下的完整蠕变曲线。并将其预测性能与经典的θ投影法进行了比较。BPNN的预测结果与实验曲线高度吻合，其中R² = 0.990，RMSE = 0.0547%，而θ投影法对应的值分别为0.770和0.1443%。结果表明，对于本文所研究的材料和试验条件，仅需四个蠕变曲线训练即可使BPNN在不依赖本构假设的情况下准确插值得到180 MPa条件下的蠕变曲线。