基于多源数据的融合多物理场子网络迁移学习PINN方法用于高性能结构钢及其对接焊缝腐蚀疲劳寿命预测

《Marine Structures》：A transfer learning PINN incorporating multi-physics subnetwork for corrosion fatigue life prediction of high-performance structural steels and butt welds using multi-source data

　　

• 提出了一种融合载荷-腐蚀-材料约束的物理信息神经网络（PINN）模型，用于预测高性能钢的腐蚀疲劳寿命。
• 提出了一种数据-物理驱动的MPS-PINN模型，该模型嵌入了??和?CDM子网络，可在多源数据条件下校准CDM理论模型的参数。
• 提出了一种TL-MPS-PINN模型，额外嵌入了一个针对焊缝特定特征设计的??子网络，用于在有限且高度分散的数据条件下预测对接焊缝的腐蚀疲劳寿命。
• 鉴定出η和α是影响对接焊缝疲劳寿命的关键因素，并建立了Q355NH耐候钢对接焊缝的S–N曲线族。

引言

腐蚀疲劳已成为海洋和沿海钢结构基础设施的主要退化机制，严重威胁海洋工程系统的安全性和可靠性[1-3]。海上平台[4]、跨海桥梁、沿海码头及海洋能源设施长期暴露于高盐度、干湿循环、温度波动、波浪载荷和生物附着等严酷海洋环境中。这些因素加速了腐蚀疲劳损伤的萌生与扩展，缩短了服役寿命，并增加了突发失效的风险。多座桥梁的坍塌事件——包括意大利的莫兰迪大桥、韩国的首尔大桥[5]以及中国的小南门的桥——均可部分归因于关键钢构件中的腐蚀诱导疲劳裂纹。随着许多海洋结构进入中后期服役阶段，近期研究报告指出，海洋大气区和飞溅区环境中钢缆腐蚀、吊杆失效和疲劳裂纹的发生率不断上升[6-9]。这些案例凸显了海洋暴露、循环载荷与材料老化之间的耦合作用，也强调了准确预测和评估腐蚀疲劳寿命以确保海洋基础设施长期完整性的迫切需求。

结构失效仍然是工程安全面临的主要挑战，由于腐蚀疲劳具有复杂的耦合损伤机制[10-13]，其研究受到越来越多的关注，在结构钢领域尤为突出[14-19]。在微观尺度上，腐蚀会在局部产生点蚀和缝隙缺陷，这些缺陷作为应力集中点，显著降低材料的疲劳抗力[20,21]。在循环载荷作用下，钝化膜反复被破坏，促进了腐蚀介质向裂纹尖端的传输，加速了裂纹的萌生和扩展。因此，腐蚀疲劳大幅缩短了桥梁、海上平台和工业设施的服役寿命[15,16]。在焊接结构中，这一问题进一步加剧，应力集中、残余应力和腐蚀不均匀性共同增强了疲劳损伤[22]。

传统疲劳寿命预测方法主要依赖经验或半经验模型[23-25]，这些模型需要大量实验数据，成本高、耗时长，且通常仅限于特定材料和环境条件。近年来，人工神经网络（ANNs）作为一种有效的非线性建模工具[26,27]逐渐兴起，能够从数据中学习输入变量（如应力幅值、环境因素和材料性能等）与疲劳寿命之间的复杂关系。与经验模型相比，ANNs具有更好的泛化能力和适应性，能够处理多种条件下的多维变量。

近期研究强调了人工神经网络（ANNs）在疲劳寿命预测中的日益有效性[28]。Barbosa[29]利用反向传播多层感知机，基于概率Stüssi S–N曲线构建等寿命图，有效捕捉了P355NL1钢的数据离散性。Plets[30]开发了一种用于块状载荷疲劳的ANN，在足够训练数据的条件下，其性能优于Miner规则及多种非线性模型。He[31]预测了斜双曲线和二线性S–N曲线下的疲劳寿命，AISI 316钢的预测误差通常在2倍以内，但存在轻微的过拟合现象。Zeng和Yan[32]提出了用于单晶铜的BP网络，减少了微观疲劳测试工作量，并实现了材料参数优化。ANNs也被应用于复杂载荷条件。Ramachandra[33]证明了ANNs可以处理多种材料和载荷谱，尽管精度低于实验值。Sun[34]提出了一种基于带宽参数和多个PSD样本的ANN架构，提高了宽带随机载荷下的泛化能力。Han[35]进一步通过平衡复合运动优化模型，增强了基于ANN的预测性能，尽管仍存在一定离散性，但实现了快速微动疲劳裂纹萌生估计。然而，作为纯数据驱动模型，传统ANNs高度依赖训练数据的质量和数量，且无法纳入固有物理关系或基于理论的约束，这限制了其在稀疏数据条件下或超出训练域外推时的可靠性。

为克服纯数据驱动模型的局限性，Raissi[36,37]提出了物理信息神经网络（PINNs），将控制物理规律嵌入损失函数中，从而实现与数据和理论一致的预测。基于此概念，Wang[38]将敏感特征与连续损伤力学（CDM）相结合，用于预测增材制造AlSi10Mg的疲劳寿命，其性能优于支持向量机和随机森林模型。Wang[39]进一步开发了一种融合多物理信息神经网络（IPINN），纳入了增材制造参数和基于CDM的约束，预测精度提高了27.51%。PINNs已被拓展到更广泛的疲劳问题：Zhang[40]预测了316不锈钢的蠕变-疲劳寿命，精度高于传统机器学习方法；Li[41]将应力-寿命知识与概率建模相结合，使齿轮疲劳预测精度提高了19.74%–29.44%；Zhou[42]提出了一种具有实验推导偏微分不等式的PINN，在多种材料和工况条件下实现了稳健的泛化。尽管取得了这些进展，基于物理的约束仍然依赖于从有限实验中校准的参数，且通常在单一载荷条件下进行，缺乏普适性和适应性。这些参数的不确定性可能被神经网络放大，产生满足约束但偏离真实物理行为的解。数据稀缺问题——尤其是与焊接疲劳相关的数据[43,44]——以及焊接参数变异性、复杂接头几何形状和腐蚀效应，进一步限制了预测精度。因此，即使采用基于PINN的约束，预测仍然受到数据不足和噪声的根本性制约。

基于上述研究空白，本研究开发了一种融合物理约束与知识迁移的预测框架，将迁移学习与嵌入了多物理子网络的物理信息神经网络相结合。首先，收集了518条高性能结构钢及其对接焊缝的腐蚀疲劳寿命多源数据集，通过数据清洗、相关性分析和标准化等预处理步骤提取关键特征。在此基础上，构建了一种多物理子网络嵌入的PINN（MPS-PINN）模型，该模型纳入了数据驱动损失项、单调正则化项和基于连续损伤力学（CDM）的物理损失项，并通过贝叶斯方法自适应优化超参数。为进一步提高焊接接头的预测性能，开发了一种迁移学习PINN与多物理子网络嵌入模型（TL-MPS-PINN），利用预训练参数并结合子网络级物理约束。将其精度与常规ANN和MPS-PINN模型进行了系统评估，并通过比较替代架构和迁移策略确定了最优TL-MPS-PINN配置。为增强可解释性，采用Shapley加性解释方法（SHAP）量化了特征重要性和边际效应。最后，基于TL-MPS-PINN模型进行了S–N曲线的参数分析，为腐蚀疲劳设计提供了理论支持和实际指导。

分节摘要

疲劳寿命数据集

本研究共收集了518组数据集，其中高性能结构钢数据363组，对应对接焊缝数据155组。结构钢数据包括Q690钢、Q690NH耐候钢和Q355NH耐候钢，分为Q690系列和Q355系列两类。对接焊缝数据同样分为Q690系列对接焊缝和Q355系列对接焊缝两组。详细数据分布见附录表A1。

Spearman相关性分析

人工神经网络

人工神经网络（ANNs）被广泛用于通过学习数据中的复杂映射来建模高维非线性关系[49,50]。典型的ANN由输入层、一个或多个隐藏层和输出层组成（图2），输入特征通过加权连接和非线性激活函数进行变换，以逼近复杂的函数关系。

典型的ANN由三个主要层组成——输入层、隐藏层和输出层。

数据规模对模型的影响

数据规模是影响机器学习模型精度的关键因素，而合适的数据集划分策略对整体性能具有决定性作用[73-76]。为系统评估不同数据划分方案的效果，本研究采用了K折交叉验证方法。

在K折交叉验证框架中，数据集被随机划分为K个互不重叠的子集。每次迭代中，K-1个子集用于训练，剩余的1个子集用于……

基于Shapley值的特征解释分析

为了解释所提出模型的预测机制，采用Shapley加性解释方法（SHAP）量化了各输入特征对预测疲劳寿命的贡献[79]。采用分层抽样方案，10%的数据作为背景集，其余90%作为查询集。

对于结构钢MPS-PINN模型，图16中的SHAP结果表明，腐蚀质量损失率η是最具影响力的特征，其平均……

结论

本研究处理了Q690钢、Q355耐候钢及其对接焊缝的多源518组腐蚀疲劳数据集，通过数据筛选和相关性分析，建立了MPS-PINN模型用于预测基体结构钢的腐蚀疲劳寿命。在此基础上，建立了TL-MPS-PINN模型用于其对接焊缝疲劳寿命的预测。利用该框架，基于SHAP的可解释性分析和参数……

CRediT作者贡献声明

Qi Guo：撰写——初稿，调研，形式分析，概念构思。
Jingwei Lu：撰写——初稿，可视化，方法论，数据管理。
Ying Xing：撰写——审阅与编辑，验证，资源获取，资助获取。
Yan Lu：调研，资源获取。
Zefan Zheng：项目管理，指导监督。
Jie Liu：方法论，指导监督。
Longchang Wei：指导监督，可视化。

利益冲突声明

作者声明不存在任何已知的竞争经济利益或个人关系可能影响本文所报告工作的客观性。

致谢

本研究受国家自然科学基金（批准号：52478194、52208192及52578228）和中国山西省基础研究计划（批准号：202203021221062）资助。

Qi Guo | Jingwei Lu | Ying Xing | Yan Lu | Zefan Zheng | Jie Liu | Longchang Wei