综述:基于数据和混合模型的金属疲劳研究:经典方法、机器学习及物理信息神经网络的综述
作者:史宇洲(Yuzhou Shi)、阿尔科·苏里亚迪普·德伊(Arko Suryadip Dey)和秦亚洲(Yazhou Qin)
《Metals》:Data-Driven and Hybrid Modeling for Metal Fatigue: A Review of Classical Methods, Machine Learning, and Physics-Informed Neural Networks
Yuzhou Shi,
Arko Suryadip Dey and
Yazhou Qin
【字体:
大
中
小
】
时间:2026年05月02日
来源:Metals 2.5
编辑推荐:
摘要:金属疲劳寿命的预测方法已经从传统的经验方法发展到先进的、数据驱动的计算模型。然而,传统方法在处理大数据分散、复杂变幅载荷以及实验测试成本方面存在困难。这些限制在增材制造(AM)部件中尤为明显,因为AM部件具有随机孔隙率,并且对工艺参数非常敏感。本综述将经典疲劳力学与现代数据
摘要:金属疲劳寿命的预测方法已经从传统的经验方法发展到先进的、数据驱动的计算模型。然而,传统方法在处理大数据分散、复杂变幅载荷以及实验测试成本方面存在困难。这些限制在增材制造(AM)部件中尤为明显,因为AM部件具有随机孔隙率,并且对工艺参数非常敏感。本综述将经典疲劳力学与现代数据驱动方法相结合,评估了金属合金、焊接组件和AM材料的疲劳寿命预测。我们回顾了经典预测工具、机器学习(ML)算法、深度学习架构以及基于物理的神经网络(PINNs)。ML模型能够捕捉非线性退化模式,但解释性有限(“黑箱”行为),且无法从小数据集中进行外推。将物理定律嵌入PINNs有助于缓解这些限制,提高物理一致性,减少训练数据需求,并增强外推能力。在增材制造的金属中,缺陷位置往往是比缺陷大小或形态更关键的疲劳失效预测因素。为了解决数据稀缺问题,我们强调了生成对抗网络和迁移学习的应用。集成模型结合实时结构健康监测数据,可以实现准确的动态数字孪生和预防性疲劳预测。
1. 引言
1.1 背景
金属疲劳的科学研究已经发展了近两个世纪,从早期对神秘结构失效的经验观察转变为高度复杂的、数据驱动的计算模型。在这种情况下,疲劳指的是材料由于重复载荷而变弱。疲劳研究的历史进展反映了理论和方法的持续进步,这得益于日益复杂的工程需求。1829年,德国的研究人员首次研究了金属材料的疲劳现象,他们调查了矿井支架在重复载荷下的失效原因[1]。在此基础上,德国工程师W?hler正式开始了疲劳研究。19世纪60年代,由于铁路车轴频繁失效,W?hler进行了系统的循环载荷实验[2],引入了应力-寿命(S-N)曲线,并表明材料在低于其静态抗拉强度或屈服点的循环载荷下会失效。这些发现为应力-寿命和应变-寿命方法奠定了基础,并为20世纪初的数学形式化奠定了基础。1910年,Basquin提出了一个幂律来描述高循环疲劳(HCF)中的S-N曲线,此时变形主要是弹性的[3]。后来,Palmgren和Miner引入了变幅载荷下的线性损伤累积假设,即现在广泛使用的Palmgren–Miner规则[4]。
随着工业应用使部件承受更严重的热应力和机械应力,工程师们意识到基于应力的Basquin方程不足以解释低循环疲劳(LCF),后者涉及显著的塑性(永久)变形。Coffin和Manson在1954年独立发现,塑性应变-寿命数据也可以用幂律来描述[5]。因此,他们的Coffin–Manson方程将LCF分析的重点转向了塑性应变作为疲劳损伤的关键驱动因素。早期模型关注无缺陷试样的“总寿命”。然而,在20世纪中叶,人们的思路转向了“损伤容忍度”。在这种方法下,工程师们认识到结构中通常存在预先存在的缺陷或缺口。Neuber在此基础上对缺口根部的弹塑性应力和应变计算取得了重要进展[6]。1963年,Paris和Erdogan发表了关于裂纹扩展的关键分析,并建立了Paris定律[7]。该模型将疲劳裂纹扩展速率描述为裂纹尖端应力强度因子范围的函数。因此,Paris定律改变了航空航天和结构工业中的检查和寿命预测方式。
现实世界中的部件很少经历简单的单轴载荷。20世纪末,研究人员开发了多轴疲劳准则。例如,1970年,Smith、Watson和Topper引入了SWT参数来考虑平均应力[8]。不久之后,“临界平面”方法指出裂纹在最大应力下会在特定平面上形成[9,10]。同时,研究人员开发了在可见裂纹形成之前测量不可见损伤的方法。20世纪80年代,Chaboche将连续损伤力学(CDM)应用于疲劳,基于不可逆能量耗散创建了非线性损伤演化方程[11,12]。20世纪90年代末,Taylor将早期的缺口理论统一为临界距离理论,从而为预测应力集中器附近的失效提供了框架[13]。
尽管在力学和冶金学方面取得了许多进展,分析方法仍然难以处理数据分散、非线性载荷序列效应和测试成本问题。作为回应,人工神经网络(ANNs)在20世纪90年代进入了疲劳研究领域[14]。21世纪10年代,计算技术的进步和大数据的应用将数据驱动的发现引入了材料科学[15]。深度学习的最新进展显著加速了疲劳寿命预测方法的发展。例如,卷积神经网络(CNNs)分析微观结构图像,而循环神经网络(RNNs)处理载荷历史[14]。最近,基于物理的神经网络(PINNs)将机器学习与力学中的物理规则(如Paris定律和CDM)相结合[16,17]。“基于物理的”机器学习这一术语通常用于涵盖诸如物理约束损失函数、基于物理的特征工程和数据增强等方法。然而,这些方法在机器学习流程中处于根本不同的阶段,并不是方法论上的等价物。图1展示了疲劳研究的发展历史。
1.2 动机和当前研究空白
尽管经过了一个世纪的进步,传统疲劳模型仍然因为疲劳数据的显著分散和变异性而不足[18]。这种广泛的分散是由复杂的微观结构异质性、表面条件、残余应力和环境效应引起的[19]。传统经验模型在预测复杂变幅和多轴载荷下的累积损伤方面也受到限制。它们往往无法考虑关键的载荷序列相互作用[9,20]。实验疲劳测试的高成本和时间要求也限制了用于建模的数据集规模[21]。这些挑战在增材制造(AM)部件中尤为突出,因为AM部件具有随机孔隙率、明显的各向异性以及对工艺参数的高敏感性。这些特性使得简单的分析模型难以适用[22,23]。总之,仍存在几个关键的研究空白:
- 数据稀缺的挑战:开发可靠的疲劳预测模型的最大障碍之一是缺乏大规模、高质量和标准化的数据集[24]。例如,Chena和Liua对神经网络在疲劳建模中的应用进行了全面回顾,发现研究中的数据点数量在2到7个变量之间时,研究人员使用的数据量中位数范围为30到217个数据点[14]。由于物理疲劳测试耗时且昂贵,研究人员往往只能使用非常有限的数据,通常称为“小样本”情况[25,26]。更复杂的是,现有数据库往往缺乏描述复杂材料属性的标准化协议,使得训练出能够跨不同场景良好泛化的强大深度学习模型变得极其困难[24]。为了解决这一数据不足问题,有限元方法(FEM)作为一种成熟且成本效益高的替代方案应运而生。数值模拟使研究人员能够生成大量有用的合成数据,帮助克服数据瓶颈,同时仍能捕捉到潜在的物理机制。Gao等人汇编了93个数据集来分析缺陷形态和疲劳载荷;其中32个是实际实验数据,另外61个是数值计算的结果[27]。然而,尽管这种基于模拟的方法很有前景,但准确校准模型参数并将模拟结果与现实物理现象进行验证仍然是研究人员面临的重大挑战。
- 疲劳分析中的“黑箱”性质和外推失败:纯数据驱动的算法通常被称为“黑箱”模型,因为它们缺乏物理解释性,完全依赖于数据模式。这种缺乏透明度使得这些模型难以用于安全关键应用。这类模型还倾向于过拟合小数据集,并且难以在其训练场景之外进行预测。为了解决这个问题,研究人员开发了事后可解释AI(XAI)方法。其中一个例子是SHapley Additive exPlanations(SHAP),它有助于解释不同特征如何影响模型的预测。在一个关于预测AH36海洋结构钢在高低频率叠加载荷下疲劳裂纹扩展的案例研究中,研究人员使用SHAP值来解释模型。他们发现应力强度因子范围(?K)是影响预测的主要物理参数[28]。同时,PINNs的出现将物理定律直接添加到神经网络中。然而,仍存在一个空白:当前的XAI技术通常只揭示特征重要性,而不揭示潜在的现象学方程。虽然PINNs显示出潜力,但在深度学习损失函数中强制实施热力学一致性和累积损伤力学对于复杂的、历史依赖的循环疲劳来说仍然普遍适用性较差[29]。
- 复杂的多轴载荷和环境耦合:在复杂、不同相位的多轴载荷或变幅谱下预测疲劳仍然困难。为了解决这些问题,我们需要先进的多物理场模型,这些模型整合了力学、化学和热力学,并将非线性环境效应纳入机器学习系统。例如,在非比例载荷下,载荷的方向和大小独立变化,主要应力和应变轴会旋转。这种变化激活了多个滑移系统并改变了位错结构[30],导致额外的循环硬化和更短的疲劳寿命。Karolczuk等人发现,在这种载荷下CuZn37黄铜的硬化程度超过了旧模型的预测,导致更高的应力、低估的疲劳损伤和更短的疲劳寿命[31]。除了载荷路径外,温度或腐蚀等因素也会加速材料失效。因此,机器学习系统必须将载荷事件与化学或热相关的失效过程联系起来,以更好地预测材料失效。
- 微观结构和3D缺陷表征面临一个关键挑战:将复杂的三维排列、特征聚类和相互作用转化为清晰、有用的机器学习表示。研究人员提出了几种有效但往往特定于任务的方法来捕捉这种复杂性,包括基于自动编码器的模型、统计描述符和基于物理的替代模型。例如,Kusampudi和Diehl[32]使用变分自动编码器(VAEs)和贝叶斯优化来生成微观结构的低维描述,从而提高了分析效率。Murgas等人使用统计描述符(如粒子两点相关函数)生成与真实微观结构统计上匹配的合成3D微观结构,从而实现准确的分析和再现[33]。在此基础上,Hao等人引入了一个基于物理的损伤神经网络(d-PINN)来预测疲劳寿命,通过结合物理约束提高了预测准确性[25]。然而,目前仍没有一个通用、可解释且与属性无关的特征框架适用于所有类型的异质微观结构。因此,这一挑战尚未解决。
1.3 范围和目标
我们按照PRISMA指南进行了彻底且可复制的综述。主要搜索使用了Elsevier、Springer、IEEE、Google Scholar和Semantic Scholar数据库。我们使用以下布尔字符串查询这些数据库:[(例如,“疲劳分析” OR “疲劳”) AND (“深度学习” OR “机器学习” OR “神经网络”) AND (“金属” OR “金属” OR “钢” OR “铝”)。搜索时间范围是从2000年1月1日到2026年3月1日。为了追踪金属材料疲劳研究的演变,我们还使用了反向引用链来包括2000年之前的基础论文。最初的数据库查询和反向引用链产生了260条记录。在初步筛选之前,移除了33条重复和不符合条件的记录。剩余的227条记录中,有20条因主题不相关而被排除。在剩下的207份报告中,有5份因全文无法获取而被排除。在最终筛选阶段,评估了202篇全文文章,最终排除了29份报告(6篇不是英文的,23篇与金属疲劳无关)。最终,有173项研究被纳入系统综述。完整的逐步筛选过程及具体的纳入和排除数量显示在我们的PRISMA流程图中(图2)。
图2. PRISMA流程图。虽然近期文献广泛记录了机器学习在疲劳分析中的应用,但本综述通过批判性地评估纯数据驱动算法失效的界限以及必须由基于物理的方法接管的界限(详见第7节)来区分自己。我们不仅仅提供ML应用的标准调查,还全面总结了如何将传统力学(S-N曲线、断裂力学)数学整合到先进的深度学习架构和PINNs中[17,25]。此外,特别关注了AM金属合金,包括AlSi10Mg、Ti-6Al-4V、SS316L、Inconel 718、GH4169和TC17[23,34]。本文探讨的关键主题包括数据策略、不确定性量化、模型可解释性、验证实践以及未来的研究方向。表1总结了使用物理信息和机器学习方法对增材制造(AM)金属进行疲劳建模的研究。这些金属具有独特的微观结构特征,如孔隙率、未熔合缺陷和各向异性晶粒结构,因此需要与传统金属分开处理。附录A中的表A1展示了关于传统金属的研究,这类研究数量更多。表A2列出了应用这些预测方法的代表性结构和组件,强调了它们的实际意义。表1中列出了用于疲劳建模研究的增材制造金属材料。从表1中可以简要看出,对于所有材料而言,内部和亚表面缺陷(如孔隙率、未熔合)决定了疲劳寿命。这些缺陷的物理参数——特别是预测缺陷面积(Murakami参数)和到自由表面的距离——是进行准确机器学习预测所必需的输入。此外,虽然铝合金(如AlSi10Mg)受到体积缺陷的显著影响,但钛(Ti-6Al-4V)和不锈钢(316L)则受到由制造方向引起的各向异性微观结构的显著影响。最后,纯数据驱动的模型,如随机森林(RFs),在预测316L和AlSi10Mg的疲劳寿命方面表现更优。然而,为了克服小型疲劳数据集的局限性,越来越多地应用物理信息网络(PINNs)来将断裂力学和缺陷特性直接嵌入训练损失函数中,从而确保物理一致性。
本文的其余部分分为八个章节,分别讨论疲劳研究的关键方面。第2节介绍了疲劳损伤机制的基本物理原理和经典寿命预测模型。第3节回顾了机器学习和人工智能方法的应用,包括传统的监督算法、深度学习架构、物理信息混合模型以及不确定性量化方法。第4节比较了不同材料类别的疲劳寿命预测,特别是增材制造金属与传统金属,后者面临不同的缺陷驱动挑战。第5节将这些概念扩展到结构部件和工程系统,特别关注焊接组件、航空航天结构以及结构健康监测(SHM)。第6节总结了相关的疲劳测试标准、机器学习模型验证的最佳实践以及公开可用的基准数据库的作用。第7节对传统分析模型、纯数据驱动的机器学习方法和物理信息混合框架进行了比较评估。第8节讨论了新兴的研究方向,包括数字孪生集成、疲劳数据生态系统的扩展以及模型可解释性对工业安全日益增长的重要性。最后,第9节总结了关键见解,并概述了实现可靠、实时疲劳预测的路线图。
2. 疲劳行为基础与经典寿命预测
2.1 疲劳损伤机制与经典寿命预测方法
金属疲劳是一个渐进的损伤过程,始于应力集中区(如持续滑移带或材料缺陷)处的裂纹萌生。裂纹最初以剪切模式生长为短裂纹,并以异常快的速度扩展,然后转变为拉伸驱动的长裂纹[39,40,41,42,43]。增材制造(AM)金属表现出独特的失效机制。AM引起的缺陷,如孔隙率、未熔合空洞和高表面粗糙度,会严重缩短裂纹萌生阶段。此外,AM的快速冷却会产生各向异性微观结构,决定了裂纹扩展的方向和曲折性[44,45]。图3展示了疲劳失效机制及缺陷的影响。传统疲劳建模依赖于三种不同的框架,每种框架都有其局限性。应力-寿命(S-N)方法可以模拟高循环疲劳,但它是确定性的,忽略了局部塑性和裂纹扩展[24,46,47,48,49,50]。相反,应变-寿命(ε-N)方法能够捕捉局部屈服,但严重依赖经验参数,并且在应对棘轮效应和多轴应力时存在困难[24,51,52,53]。断裂力学方法可以处理缺陷容忍度和裂纹扩展,但忽略了可能占据疲劳寿命高达95%的萌生阶段,也无法预测异常的短裂纹行为[7,35,39,52,54]。关键在于,这些传统方法要么完全是现象学的,即它们依赖于观察和实验结果而不总是考虑潜在的物理机制,因此需要大量的实验数据。或者,一些方法过于孤立,无法模拟整个疲劳生命周期。为了克服这些瓶颈,需要先进的范式,如机器学习和物理信息网络(PINNs),它们可以将多尺度损伤物理与稳健的数据驱动预测相结合。
2.2 变幅和多轴疲劳
现实世界中的结构部件很少经历恒定幅值的载荷。通常使用雨流循环计数算法从复杂的载荷历史中提取离散应力范围和平均应力来处理变幅谱载荷[55]。评估这种变幅载荷的标准方法是Miner的线性损伤规则,该规则假设损伤按总寿命的比例线性累积[56]。然而,Miner规则从根本上忽略了载荷序列效应,例如过载后的裂纹扩展减缓。因此,提出了各种非线性损伤累积模型来改进预测[57,58]。此外,工程部件经常承受复杂的多轴应力状态。为此,临界平面准则评估在特定材料平面上经历最大剪切或正应力的损伤。临界平面方法通过假设裂纹在材料内的特定优选平面上萌生和发展,成功地反映了疲劳裂纹萌生和扩展的微观和物理机制。这些方法非常有用,因为它们允许工程师同时计算预期的疲劳寿命和疲劳断裂面的物理方向[59,60]。尽管它们很有用,但临界平面方法中的参数确定存在争议,因为它们缺乏严格的连续介质力学理论支持。现有的临界平面模型往往难以充分解释复杂的材料硬化行为[61]。此外,在非比例或不同相位载荷下,主应力轴和应变轴会不断旋转,这可能导致在尝试确定单一临界平面时出现计算不稳定。在裂纹萌生阶段的方向与扩展阶段的方向不一致的情况下,选择单一临界平面方向变得非常模糊,可能需要评估多个临界平面[60]。著名的多轴模型包括用于拉伸主导裂纹的Smith–Watson–Topper(SWT)参数,以及用于剪切主导损伤的Fatemi–Socie(FS)和Brown–Miller(BM)准则[9,10]。FS模型通过用最大剪切应变平面上的最大正应力替换正应变项,改进了早期的BM准则。这种改进使FS模型能够更好地考虑平均应力效应和非比例循环硬化。FS准则依赖于一个特定于材料的经验常数,必须使用单轴和扭转疲劳实验的基线数据进行仔细校准。尽管FS准则具有鲁棒性,但在极端复杂或特殊载荷条件下可能会遇到挑战[59]。SWT模型主要针对拉伸主导的断裂模式设计,通过最大主应力与主应变范围的乘积来评估损伤。通过包括正应力和正应变,SWT模型能够捕捉影响临界平面的平均应力效应和循环硬化效应[62]。然而,SWT模型忽略了剪切应力的贡献,使其不适用于涉及显著剪切的情况,例如某些铝合金或特定的剪切驱动载荷路径[63]。相比之下,BM和FS模型明确考虑了剪切效应,从而将其适用范围扩展到更广泛的多轴载荷场景,包括剪切主导疲劳损伤的情况。除了临界平面方法外,等效应变模型和基于能量的准则提供了更全面的多轴疲劳建模框架[30,35]。等效应变方法将复杂的循环载荷历史简化为单一的等效应变参数,适用于宏观弹性-塑性特性支配疲劳的情况。此外,基于能量的多轴准则将应力和应变的影响结合为一个单一的标量量,如塑性或总应变能量密度[35,64]。这些能量模型对于评估具有非线性变形行为的材料非常有用,并且可以考虑平均应力和非比例载荷效应。例如,Garud参数通过线性组合正应力和剪切应力-应变机械能来评估疲劳损伤[59,65]。为了解决纯标量能量方法无法预测裂纹萌生具体平面的问题,开发了能量-临界平面模型等混合方法。Glinka等人和Ince和Glinka提出的模型通过在临界断裂平面上具体评估弹性和塑性应变能量密度,成功结合了两种理论的优点,从而在复杂的多轴状态下提供了稳健的疲劳损伤机制预测[31]。简而言之,从孤立的临界平面或等效应变模型向能量-临界平面模型的转变是当前多轴疲劳研究的发展方向,旨在解决复杂、非比例载荷问题[30]。
2.3 相关标准、传统挑战与AI辅助方法
虽然已建立的标准(如ASTM E466、ASTM E606和ISO 1099)确保了理想化试样的经验可重复性,但它们难以适应实际结构系统的复杂性[66,67,68]。通用测试协议往往无法捕捉多轴应力梯度、残余应力和恶劣环境退化之间的非线性协同效应——这需要专门的准则,例如美国船级社(ABS)为海上应用制定的准则。此外,经典力学模型由于微观结构的异质性而存在大量数据散布的问题[44]。它们难以结合非线性载荷相互作用,导致预测误差过高——例如Wheeler和Huang模型在高低频率载荷下的误差为28-53%,Brown-Miller和Glinka模型在非比例载荷下的误差为14-27%[28,31,69]。这一关键差距需要向AI辅助的物理信息网络(PINN)框架转变。通过将控制物理定律与数据驱动分析相结合,混合机器学习超越了传统机器学习的局限性,显著提高了预测准确性——将R2值从0.65提高到>0.90(对于大型铸造缺陷),并大幅减少了误差,例如在氢脆等复杂现象下的RMSE降低了近50%[29,70]。最终,AI驱动的方法对于解码现实世界中高度非线性的疲劳损伤关系至关重要。
3. 用于疲劳寿命预测的机器学习和AI方法
3.1 机器学习分类和工作流程
机器学习方法通常分为四种范式:监督学习、无监督学习、半监督学习和强化学习[34]。在疲劳寿命预测的背景下,监督学习是最广泛使用的方法,因为它将输入变量(如应力幅度、材料属性)映射到标记的目标输出(如失效循环数)[24]。无监督学习使用聚类等技术,在没有预标记数据时用于识别潜在的缺陷模式或分类疲劳断裂机制。半监督学习结合了这两种方法,以最大化稀缺实验数据和大规模未标记数据集的效用。相比之下,强化学习仍然是一个新兴领域,主要适用于主动环境和过程优化。疲劳分析的标准机器学习工作流程是一个系统的流程:数据采集(收集实验数据、数值数据或文献数据)→ 数据预处理和特征工程(标准化、异常值去除和处理缺失值)→ 模型选择和训练 → 超参数调整(例如通过网格搜索或贝叶斯优化)→ 最后是模型评估[26,71]。为了量化回归模型的预测性能,使用了几个标准指标,包括均方误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和决定系数(R2)。需要注意的是,在选择误差指标时必须考虑目标变量的范围。由于像RMSE和MAE这样的尺度依赖性指标对数据的绝对大小敏感,单独评估它们可能会产生误导[72]。此外,预测通常针对标准误差因子区间(通常是x2或x3区间)进行评估,以确保满足工程安全裕度[26,36]。
3.2 监督经典ML模型
3.2.1 人工神经网络
人工神经网络(ANNs),特别是多层感知器(MLPs),模仿生物神经系统,在捕捉高度非线性的多变量关系方面表现出色。标准的疲劳预测ANN架构包括一个输入层,其中包含应力幅度、缺陷特征(大小、深度、圆形度)和工艺参数;多个隐藏层,使用激活函数(如修正线性单元(ReLU);以及一个输出层,通常用于预测对数疲劳寿命(log Nf)[26,36]。此外,人工神经网络(ANNs)的灵活性使得这种架构可以根据目标进行反转;具体来说,可以改变数据在网络中的流动方向,从而模型可以从期望的疲劳寿命和平均应力出发来预测应力幅度,而不是从应力幅度预测疲劳寿命。此外,研究强调了ANNs在预测各种合金和复合材料的应力幅度(或其对数log σa)方面的能力。在这些模型中,期望的疲劳寿命和平均应力等变量被输入到输入层,输出层则预测相应的应力幅度。这种方法已被证明在构建S-N曲线和概率恒定寿命图(CLDs)方面非常有效[14,47,73]。训练通常由Levenberg–Marquardt或Adam等优化器驱动,而数据驱动模型中的主要风险——过拟合——则通过dropout层和提前停止等正则化技术来缓解[26,36]。ANNs在多种复杂材料系统中表现出色,特别是在Ti-6Al-4V、AlSi10Mg和SS316L中[36]。全面的文献计量分析显示ANN模型在该领域占据主导地位。对1990年至2021年这三十年的251篇出版物的调查显示了这一点[14],最近的综述报告称ANN占现代疲劳寿命估计研究中所有机器学习应用的57%[74]。
3.2.2 支持向量回归
支持向量回归(SVR)依赖于结构风险最小化的原则,旨在找到一个在高维特征空间中最大化边际的最优超平面。为了实现这种非线性映射,SVR使用核函数,最常用的是径向基函数(RBFs)或多项式核[34]。为了获得最佳性能,通常通过网格搜索交叉验证来调整SVR的超参数——包括惩罚参数(C)、容忍度边际(ε)和核系数(γ)[34,36]。这种精细的调整使SVR在小数据集上表现出高度竞争力的性能和强大的泛化能力,鉴于疲劳测试的高成本,这一点至关重要。例如,在研究含有缺陷的增材制造Ti-6Al-4V时,优化后的SVR模型达到了高达0.99的决定系数(R2)[36]。然而,需要注意的是,这种准确性受到仅使用10个样本的限制。虽然SVR对小样本具有鲁棒性,但R2为0.99可能表明训练拟合过度且存在过拟合风险。尽管存在这些担忧,特征重要性分析一致显示,相对于表面的孔洞位置是比孔洞大小或形态更强的疲劳寿命预测因子[34,36]。
3.2.3 随机森林
随机森林(RF)是一种集成学习方法,通过自助聚合(bagging)构建多个不相关的决策树,然后输出平均预测值以减少方差[26,36]。RF模型的预测性能对其超参数非常敏感:树的总数(nt)、最大树深度(nd)以及每次分割考虑的最小特征数(np)。这些参数的最佳推荐范围因所建模的材料系统而异[26,34]。RF的一个主要优点是其对异常值的容忍度高,并且固有地具有较低的过拟合风险,因此在实验数据噪声大或分布分散时非常有效[26,34]。最近,RF与CDM框架结合使用时效果显著,使用物理损伤参数作为特征可以大幅提高如增材制造钛合金和铝合金等组件的预测准确性[34,36]。例如,研究人员使用基于CDM的RF模型来预测增材制造钛合金(如TA2、TA15、TC4和TC11)的疲劳寿命。这些研究表明,混合模型(基于CDM的RF)的性能明显优于单独的CDM方法[36]。具体来说,混合模型产生的预测误差范围比CDM单独使用时更窄,突显了其更高的准确性。同样,Wang等人将CDM理论与RF模型结合用于增材制造AlSi10Mg铝合金。通过使用损伤等效应力作为物理特征,他们实现了比没有这些特征的模型更好的泛化和更高的预测准确性[36]。提供的资料没有具体说明随机森林算法的进一步限制。然而,他们指出数据驱动的机器学习模型在疲劳分析中的一个共同局限性是外推能力较差。这些模型可以在训练范围内插值和拟合数据,但在超出训练实验空间的疲劳行为或失效条件预测方面表现不佳[14,39]。
3.3 深度学习模型
3.3.1 卷积神经网络
卷积神经网络(CNNs)在自动提取2D数据中的空间层次结构和视觉特征方面表现出色。在疲劳建模中,CNNs充当自动化的“数字显微镜”,从微观结构图像、电子背散射衍射(EBSD)图和缺陷图中提取关键的地形特征[36,75]。例如,基于CNN的图像处理方法已成功用于预测小冲头疲劳(SPF)寿命。在先进的端到端流程中,CNNs通常与SVR或RF模型结合使用,其中CNN负责特征提取,而经典模型则从提取的缺陷特征进行最终的疲劳寿命回归[34]。此外,CNNs在实时结构健康监测(SHM)数据流和大规模基础设施中的基于视觉的裂纹检测方面显示出巨大潜力[24]。
3.3.2 循环神经网络
由于疲劳积累高度依赖于时间,循环神经网络(RNNs)——特别是其高级变体长短期记忆(LSTM)网络——非常适合序列建模。LSTMs采用专门的门控机制(输入门、遗忘门和输出门)来保持长期依赖性并防止梯度消失[14,76]。这些架构特别适用于处理变幅加载历史、跟踪复杂谱加载下的累积损伤以及动态预测运行组件的剩余使用寿命[14,24,34]。
3.3.3 深度信念网络
深度信念网络(DBNs)结合反向传播(BP)为深度学习提供了强大的替代方案。DBNs首先通过受限玻尔兹曼机(RBMs)的层进行初始的无监督预训练来初始化网络权重,然后使用反向传播进行监督微调[34]。这种架构在高度复杂的条件下表现出强大的能力。例如,在L-PBF Ti-6Al-4V的极高循环疲劳(VHCF)寿命预测中,DBN-BP模型达到了高达0.99的R2,显著优于标准BPNN算法[34]。
3.3.4 变换器和注意力系统
变换器和注意力模型代表了深度学习在疲劳评估中的一个有前景的新方向。尽管使用变换器的疲劳相关文献至今仍有限,但鉴于它们在处理时间序列和序列数据方面的颠覆性性能,将其纳入本综述是必要的。通过利用自注意力和上下文注意力系统,这些模型可以在不严格依赖于RNNs的序列处理的情况下提取应力-应变加载序列中的复杂、长距离时间依赖性[24,76]。强调这种架构是对该领域的一个行动号召,同时第8节指出,它们在未来大规模集成到疲劳预测框架中的潜力是主要的发展方向[24,76]。简而言之,虽然深度学习(DL)模型——包括CNNs、RNNs、DBNs和变换器——在疲劳评估中提供了前所未有的能力,但它们的应用涉及不同的权衡。理解这些优势和局限性对于在工程环境中有效部署它们至关重要。首先,疲劳损伤积累非常复杂且非线性。与依赖简化假设的传统经验方法(例如特定的S-N曲线或预定义的参数形式)不同,深度学习模型可以自动学习并近似多轴加载条件、材料属性和疲劳寿命之间复杂且高度非线性的关系,而无需预先设定的数学约束[24]。DL架构在处理高维数据方面表现出色,能够自动提取层次化表示而无需手动特征工程[77]。例如,CNN可以直接从微观结构图像或缺陷图中提取地形特征,而RNNs和LSTMs自然地捕获原始应力-应变加载历史中的动态时间依赖性[24]。尽管训练可能资源密集,但一旦深度学习模型得到适当训练,它就能作为极其高效的替代方案。它可以在几秒钟内预测所需输出,与传统的有限元分析(FEA)或广泛的实验测试相比,大大减少了计算时间和成本[14]。当提供足够大且多样化的数据集时,深度学习框架通常比传统的浅层机器学习模型或经典理论公式实现更高的预测准确性和更强的泛化能力[24]。然而,DL方法也面临一些挑战。深度学习模型本质上是不可见的、纯数据驱动的算法。它们的推理机制缺乏物理可解释性,这使得难以将模型的输出与潜在的微观结构疲劳机制联系起来。这种缺乏透明性是安全关键行业(如航空航天工业)采用这些模型的主要障碍。在这些领域,可解释性和遵守物理定律是认证和风险管理的必要条件[24]。深度学习的基本前提是拥有大量具有代表性的数据集。在疲劳研究中,获取如此广泛的实验数据往往成本高昂且耗时。在数据稀缺的情况下,无约束的深度学习模型非常容易过拟合[29]。它们倾向于记住训练集中的实验噪声,而不是学习实际的物理疲劳定律。训练深度网络需要大量的计算资源、广泛的超参数调整和仔细的架构设计。这些有助于避免梯度消失或爆炸等问题。为了提高鲁棒性,该领域正朝着物理信息神经网络(PINNs)方向发展。PINNs旨在结合深度学习的灵活性和物理定律的稳健性。这一领域将在下一节中讨论。
3.4 物理信息和混合ML模型
纯粹的数据驱动机器学习模型常被称为“黑箱”,缺乏物理一致性,在疲劳数据集较小的情况下依赖它们会显著增加过拟合的风险和预测物理上不可能行为的风险[22,78]。为了解决这些限制,开发了物理信息神经网络(PINNs)和混合物理信息机器学习(PIML)框架,采用了五种主要策略:
策略A:物理约束损失:这种方法将控制物理定律(如Paris定律或S-N幂律)直接嵌入神经网络的训练损失函数中作为惩罚项。值得注意的是,Salvati等人(2022年)为增材金属材料开发了一个PINN,通过将线性弹性断裂力学(LEFM)约束纳入损失函数,预测能力提高了83%[79]。
策略B:物理引导的特征工程:在将原始数据输入ML模型之前,先通过已建立的物理方程(如Paris定律、Goodman关系或连续损伤力学参数)对其进行转换,从而大大简化了神经网络必须学习的映射[22,70]。
策略C:卡尔曼滤波器融合:这种混合方法将物理模型的确定性输出与基于ML的残差校正相结合,偶尔使用数据同化技术动态纠正和融合复杂退化状态的预测[80]。这一策略在疲劳相关研究中非常相关且被积极应用。例如,增强型卡尔曼滤波器已成功用于结合关键平面分析来预测承受非比例多轴疲劳载荷的结构的剩余使用寿命。同样,无迹卡尔曼滤波器(SKF)方法也被专门用于预测滚动轴承的剩余使用寿命。
策略D:半经验嵌入式定律:疲劳有限寿命半经验定律直接嵌入PINN架构中,构建专门的神经网络层,数学上模拟损伤积累方程[79]。
策略E:基于物理模拟的数据增强:为了应对小数据集问题,研究人员使用蒙特卡洛抽样缺陷分布,并利用有限元方法(FEM)或CDM基物理模拟生成高度真实的合成训练数据[81]。
3.5 数据策略
通过物理测试获取大量疲劳数据成本高昂且耗时。因此,采用了几种先进的数据策略:
蒙特卡洛模拟(MCS):MCS广泛用于从统计分布中抽样缺陷群体(例如,增材金属中的孔洞大小和位置),扩展了可用于训练的特征空间[81]。
生成对抗网络(GAN):GAN用于复杂的数据增强,合成真实的表格或基于图像的疲劳数据。这已经成功应用于TC17合金,即使在训练数据集非常小的情况下,也能够实现高置信度的疲劳寿命预测[82]。基于插值的数据库扩展:例如线性插值结合高斯混合模型(GMMs)的方法可以在已知范围内外推新的离散数据点,生成模拟原始实验散布的虚拟数据库[26]。迁移学习:这种策略利用通用特征层和从大量特征明确的传统合金数据库中学习到的知识,将这些参数转移到数据稀疏系统中进行微调,以预测疲劳,例如新开发的增材制造(AM)材料或大型铸造结构[70]。高通量疲劳测试:这是一种新兴的实验策略,可以同时测试多个微型试样,从而快速获取大量疲劳数据,为数据密集型的机器学习算法提供支持[83]。
3.6. 神经模糊和高斯过程方法
在处理固有不确定性时,传统的确定性机器学习模型经常被专门的概率算法所替代:
- 神经模糊:自适应神经模糊推理系统将模糊逻辑与神经网络相结合,使其能够非常有效地处理非清晰的输入不确定性和不精确的变量。它已成功应用于通过考虑中间条件和与增材制造缺陷相关的典型散布来预测L-PBF SS316L的HCF寿命[21]。
- 高斯过程回归(GPR):GPR是一种适用于小数据集的非参数贝叶斯方法。它提供了具有天然不确定性量化的概率输出,同时估计均值预测和方差(置信区间)[31]。
- 贝叶斯神经网络(BNNs):BNNs用概率分布替换了确定性网络权重,使得疲劳寿命的置信区间得以量化,确保安全边界在数学上得到确立[84]。
3.7. 可解释性和符号回归
对AI透明度的追求促使人们开发出专注于揭示疲劳机制的方法:
- 特征重要性:利用随机森林和梯度提升等集成方法,研究人员可以对输入变量的相对影响进行排序,一致地识别出缺陷几何形状、构建方向、工艺参数和机械性能作为疲劳寿命的主要预测因素[26]。
- SHAP(Shapley Additive Explanations):基于合作博弈论,SHAP提供了一个与模型无关的归因框架,可以揭示局部(对于单个预测)和全局(在整个数据集中)的主要疲劳驱动因素,量化非线性特征交互作用,而不牺牲模型准确性[85]。
- 符号/遗传算法回归:符号回归不是生成黑盒模型,而是使用遗传编程在数学空间中搜索,成功地直接从实验数据中重新发现可解释的封闭形式的疲劳规律[86]。
- 强化符号学习:将符号回归与领域知识相结合,可以生成高度可解释的疲劳规律,这对于在航空航天等安全关键领域获得监管认可至关重要[34]。
3.8. 不确定性量化
理解预测模型的局限性对于结构完整性非常重要:
- 不确定性的来源:强大的机器学习框架明确区分了随机不确定性(由微观结构变化引起的固有、不可减少的材料散布)和认知不确定性(由于数据不足、模型简化或测量误差引起的可减少的不确定性)[87]。
- 贝叶斯方法:这些方法用于生成疲劳寿命(Nf)的后验预测区间,随着新检测数据的出现不断更新损伤累积的概率分布[88]。
- 集成方法:通过分析多个独立训练的基础模型上的预测分布和方差,可以大大减轻和量化认知不确定性,例如在集成神经网络中[89]。
- 校准:必须根据实际失效频率正确校准预测概率和不确定性界限,通常通过可靠性图和预期校准误差来评估,以确保保持工程安全裕度。
4. 不同材料类别的疲劳寿命预测
4.1. 传统金属材料
- 4.1.1. 钢铁
疲劳是各种传统钢级的主要失效机制,包括结构钢(低碳和高强度钢)、轴承钢和工具钢。为了开发预测模型,研究人员依赖于广泛的S-N数据库进行机器学习训练,使算法能够捕捉在不同载荷条件下的显著S-N散布,并考虑各种表面处理的效果。为了解决早期模型的“黑箱”问题,最近的研究采用了可解释的机器学习框架。例如,将随机森林或梯度提升架构与SHAP结合使用已被证明非常有效。这种可解释的机器学习方法可以直接从化学成分(如碳、铬、钼)和热处理参数准确预测疲劳强度,并量化每个因素的相对重要性[85]。
- 4.1.2. 铝合金
铝合金——特别是2xxx、6xxx和7xxx系列——由于其高强度重量比,在航空航天和汽车领域得到广泛应用。然而,这些材料表现出显著的缺口敏感性,并且容易受到环境腐蚀的影响。最近的机器学习研究模拟了复杂的腐蚀-疲劳相互作用,成功预测了在不同湿度和预腐蚀条件下的疲劳寿命退化[90]。为了捕捉这些复杂的行为,通常使用结合化学成分和微观结构特征的全面特征向量来训练ANN和SVR等机器学习模型[91]。
- 4.1.3. 钛合金
作为主要的航空航天结构合金之一,Ti-6Al-4V对内部缺陷、晶体纹理和表面条件非常敏感。由于这些微观结构因素在实验疲劳数据中引入了显著的固有散布,使用传统的经验模型准确预测疲劳寿命非常困难。为了评估机器学习处理这种高度随机数据的能力,已经对各种算法进行了基准测试。虽然它们的绝对准确性按照一般数据科学标准可能看起来不高,但相对于疲劳的物理复杂性而言,机器学习模型显示出了显著的成功。对于Ti-6Al-4V的一项显著比较表明,神经网络提供了最高的预测准确性;具体来说,ANN(R2 ≈ 0.848)优于随机森林回归(RFR,R2 ≈ 0.827)和SVR(R2 ≈ 0.807)[92]。
4.2. 增材制造(AM)金属材料
- 4.2.1. 增材制造工艺参数和缺陷起源
增材制造过程为疲劳寿命预测带来了独特的挑战。不同的技术,如激光粉末床熔融、定向能量沉积和线弧增材制造,每种技术都会产生依赖于工艺参数(如激光功率和扫描速度)的特征缺陷群体。导致疲劳失效的关键缺陷类型包括球形气孔、不规则熔合缺陷、匙孔孔洞、未完全熔合和极端表面粗糙度[44]。为了将这些特征输入机器学习模型,缺陷指标被转换成特定的特征。这些参数包括等效面积、圆度、缺陷深度、距离表面的距离和空间聚类[93]。
- 4.2.2. AlSi10Mg
通过选择性激光熔化(SLM)处理的AlSi10Mg可能是研究最多的疲劳相关AM合金,因为其高循环疲劳寿命表现出显著的散布。为了预测这种散布行为,包括PINNs、前馈神经网络(FFNNs)、ANNs、SVRs和RFs在内的多种模型都取得了成功。其中,PINNs通过将物理损伤规律直接嵌入损失函数中提供了更好的可解释性。此外,这些模型还用于量化后处理效果,将热等静压(HIP)、退火和喷砂等处理作为预测恢复疲劳寿命的机器学习模型的关键输入[94]。
- 4.2.3. Ti-6Al-4V
在AM Ti-6Al-4V中,构建方向和微观结构各向异性是导致疲劳散布的主要因素。使用ANN结合蒙特卡洛模拟,研究人员有效地量化了缺陷几何形状和方向对疲劳寿命的协同效应。此外,使用SVR和K最近邻(KNN)算法的比较研究揭示了一个关键见解:缺陷位置(靠近表面的位置)通常比其绝对大小或形态更成为疲劳失效的主要驱动因素[22]。
- 4.2.4. 不锈钢316L和镍基超合金
对于AM不锈钢316L,研究人员开发了复杂的预测平台,结合连续损伤力学和随机森林(CDM-RF),以及ANN和SVM框架,来评估工艺参数如何影响微观结构和最终疲劳寿命[95]。在Inconel 718和GH4169等镍基超合金中,预测建模将孔隙特征直接映射到HCF和LCF寿命,使用优化方法如网格搜索SVR(SVR-GS)和混合CNN-RF流程来处理空间缺陷数据[96]。
- 4.2.5. 其他AM合金
数据驱动的方法正在迅速扩展到其他AM材料系统。先进的算法已被用于预测镁合金、TC17(在锻造/AM混合结构中)以及各种钛等级的疲劳寿命,展示了机器学习在整个AM金属谱中的广泛应用[97]。
- 4.2.6. 增材制造中的工艺-结构-性能(PSPP)关系
对AM组件的评估已经从基本的现象学观察发展到定量映射整个工艺-结构-性能(PSPP)链的全面框架。由于AM涉及高度局部化的加热、快速凝固和复杂的热循环,所得材料表现出独特的微观结构异质性、缺陷群体和残余应力状态,这些直接决定了疲劳性能[23]。
- 工艺-缺陷-性能相互作用:AM材料中最直接的PSPP联系涉及工艺诱导缺陷的产生。特定的工艺参数,特别是激光能量密度,直接控制这些缺陷的结构形态。能量密度不足会导致熔化不足,产生通常与构建层平行的不规则“熔合不足”(LoF)孔洞[35]。相反,能量密度过高会导致深层熔池,捕获气泡,形成球形匙孔孔隙。从结构上看,这些缺陷充当严重的微观缺口。(亚)表面缺陷,特别是具有尖锐角和高长宽比的LoF孔洞,会大幅减少承载截面,严重影响材料的疲劳寿命[23]。先进的疲劳评估经常使用Murakami参数等指标来直接关联工艺诱导的缺陷尺寸与阈值应力强度因子和疲劳极限[22]。
- 微观结构异质性和各向异性:激光粉末床熔融(L-PBF)等AM过程固有的极端热梯度和快速冷却速率(高达10^8 k/s)决定了材料的潜在晶体结构[35]。凝固速率和热梯度之间的竞争导致了高度异质的微观结构,通常表现为沿散热方向外延生长的柱状晶粒[23]。这种结构各向异性直接决定了基于构建方向的宏观性能结果。例如,垂直试样通常表现出与水平试样不同的疲劳裂纹生长(FCG)速率,因为裂纹扩展对晶界间距和方向非常敏感。通过调整工艺参数,例如改变激光扫描策略(例如交叉扫描与单向光栅扫描),可以破坏这种连续的柱状生长,从而产生更细小、更均匀的晶粒尺寸,提高FCG抵抗力[35]。
- 深度学习和数据驱动的PSPP框架:由于传统的分析模型难以捕捉这些复杂AM结构及其结果属性之间的高度非线性相互作用,最新的AM PSPP链映射进展利用了机器学习和深度学习(DL)架构。由于AM疲劳的多尺度、高度非线性特性,CNN被用作自动“数字显微镜”从成像数据中提取定量微观结构特征[75]。此外,PINNs将经验工艺数据与控制物理定律(如Paris定律或连续损伤规则)融合[36]。通过将关键缺陷信息和断裂力学直接嵌入损失函数中,这些模型在准确预测不同工艺参数下的疲劳寿命的同时保持了物理一致性[22]。未来,预测和生成模型(如GANs和变分自编码器)现在可以实现“逆向设计”。这使得工程师可以输入所需的疲劳性能目标,并计算生成实现该目标的优化AM工艺参数和物理3D微观结构,从而有效地闭合PSPP循环[75]。
4.3. 多轴和复杂载荷
现实世界的工程组件很少经历简单的单轴载荷。为了解决这个问题,Karolczuk和Macha回顾了基于关键平面概念的多轴疲劳失效标准。他们根据这些标准是使用应力、应变还是应变-能量-密度损伤参数对其进行分类。他们的回顾还探讨了这些标准如何在剪切、正交或混合载荷下确定关键平面方向,并将这些方向与裂纹模式联系起来[60]。基于临界平面概念的传统标准将多轴应力状态简化为等效的单轴应力状态。这为计算疲劳寿命和确定断裂平面位置提供了一种物理上有意义的方法。然而,目前并没有一个通用的标准。预测的成功在很大程度上依赖于特定的、通过实验确定的材料系数。此外,传统的基于应力和应变的标准往往难以捕捉复杂的循环硬化或软化现象。这种情况发生在非比例加载下,此时主应力轴的连续旋转会激活材料中的额外滑移带[60]。因此,出现了基于临界平面的机器学习(ML)方法来处理多轴应力状态,这些方法采用自适应神经模糊推理系统和高斯过程回归(GPR)等手段来模拟复合拉扭疲劳。对这些模型进行训练以适应复杂的3D加载路径需要精细的特征工程。输入数据通常被转换为相关的指标,如应力不变量、静水应力以及等效应变幅度[98]。尽管这些方法具有通用性,但严格基于数据的ML算法就像不透明的“黑箱”,缺乏物理上的透明度。由于它们严重依赖数据量,在实验数据有限且成本较高的疲劳分析中应用这些算法时,它们容易过拟合。因此,未经约束的ML模型经常记住实验噪声,并在超出其训练数据集的范围进行外推时产生热力学上不可接受的(即物理上不可能的)预测[22,99]。为了解决导致额外循环硬化的非比例加载问题,人们使用了混合物理-ML框架。这些模型结合了传统的物理机制和神经网络,以捕捉经验规则无法预测的非线性、路径依赖的疲劳退化[100]。通过将物理理论与领域约束相结合,混合模型打破了ML的“黑箱”限制。它们能够提供准确的疲劳寿命预测,并提供关于导致失效的物理机制和损伤演变的透明见解[99]。此外,由于嵌入的物理规则主动指导网络的优化,这些模型所需的实验数据量显著减少。物理约束作为一种正则化机制,防止网络对随机噪声过度拟合,从而解决了纯ML在疲劳测试中的主要缺陷[22]。总之,纯物理模型的方差低但偏差高(刚性大),而纯ML模型的偏差低但方差高(不稳定性大)。混合框架通过使用物理模型来固定材料的全局渐近趋势,同时利用神经网络来学习和细化复杂的非线性局部偏差(如非比例的额外硬化),从而确保框架即使在完全未见过的复杂加载情况下也能保持高精度和物理上一致的行为[99]。
5. 结构部件和系统
5.1 焊接接头和组件
焊接部件是工程中最容易发生疲劳的结构之一——特别是在海洋工程应用中,如各向异性钢甲板和海上平台——因为焊趾处的几何不连续性会形成严重的应力集中点[88]。此外,焊接过程中产生的强烈温度梯度会从根本上改变热影响区(HAZ)的微观结构,并引入显著的拉伸残余应力,严重缩短了制造组件的疲劳寿命[101,102]。为了评估这些复杂接头的疲劳强度,传统方法主要依赖于名义应力、热点应力和缺口应力方法[71,101]。热点应力方法通过使用表面应力外推技术(如国际焊接学会(IIW)推荐的0.5 t和1.5 t标准)来考虑焊缝附近的几何应力集中[88]。而缺口应力方法则专门针对焊趾或根部等尖锐几何特征处的极端局部应力集中,这些地方的微观缺陷会引发失效[101]。虽然这些IIW推荐的方法和局部应力方法是基础性的,但它们可能依赖于几何形状,计算量较大,并且无法随着新数据的出现而自我改进。为了解决这些问题,ML模型提供了几个关键优势:它们可以高效处理复杂的高维数据,随着新测量数据的出现调整预测结果,并通过替代建模减少计算需求[71]。例如,结合高斯过程回归(GPR)和动态贝叶斯网络(DBNs)的ML框架与基于有限元的热点应力(按照IIW标准)相结合,建立了全面的概率-应力-寿命(P-S-N)曲线[71,88]。这种数据驱动的集成利用实际测量值动态更新疲劳裂纹增长模型,从而显著减少了关键海洋工程组件(如肋骨到甲板的焊接接头)的预测误差[24,88]。此外,传统的缺口应力方法还通过ANN和集成树模型得到了改进,这些模型通过提供更可靠的预测,显著减少了焊接S-N数据中的巨大散布[24,26]。可解释的ML模型(如结合SHAP值的梯度提升树)与应力集中因子相结合,不仅可以识别小规模对接焊接接头中的疲劳失效位置和生命周期,还能阐明特定特征对这些预测的影响。通过直接映射焊接几何形状、工艺参数和多轴应力状态之间的非线性关系,这些ML集成方法避免了繁琐的计算网格划分,提供了比传统经验方法更高的准确性和可解释性[24,71]。
5.2 航空航天/汽车结构应用和滚动接触部件
在运输领域,结构系统在高度活跃的环境中运行,并受到复杂变幅载荷的影响。航空航天结构经历逐次飞行的操作载荷谱——巡航时的高频振动载荷与起飞和机动等低周期高应力事件相结合——而汽车部件则承受随机道路载荷谱。将这些复杂的载荷谱转换为累积损伤指标是ML能够有效解决的重大挑战。对于飞机的主要结构,正在将ML辅助方法集成到耐损伤设计和认证过程中。这些算法能够为多部位损伤场景提供可靠的预测,有效模拟紧固孔、搭接接头和机身蒙皮面板等关键应力集中点的疲劳裂纹起始和扩展[103]。在汽车行业,数据驱动的方法评估了轻质合金轮子、悬挂部件和底盘结构(如钢支架)在变化道路载荷序列和操作温度下的疲劳寿命[99]。滚动接触疲劳(RCF)是现代机器元件在集中滚动和滑动接触下的一种关键、限制寿命的失效模式,例如滚动元件轴承、齿轮和铁路轮轨系统[61,104,105]。与经典疲劳不同,RCF损伤高度局部化,通常局限于材料的亚表面,导致复杂的非比例应力状态。RCF中最主要的两种失效机制是表面引发的点蚀,通常由表面不规则性或严重的混合润滑条件引起;以及亚表面引发的剥落,起源于材料中的微观缺陷(如非金属夹杂物)[104,105]。在极端服务条件下,机器部件经常承受高接触应力,导致循环塑性变形。随着重复加载循环中塑性应变的积累,接触几何形状发生变化——例如接触轨迹逐渐变宽——从而重新分配接触压力并产生压缩残余应力[105]。为了准确描述这种行为,研究人员开发了结合连续损伤力学的3D弹性-塑性有限元模型来预测RCF寿命,明确考虑了接触宽度和残余应力的演变。此外,半解析框架表明,施加优化的压缩残余应力可以通过抑制硬质和非金属夹杂物周围的微观塑性来显著延缓RCF的起始[106]。如上所述,表面引发的RCF裂纹的发展过程包括两个不同的传播阶段:第一个阶段裂纹以较慢且相对稳定的速度生长,第二个阶段在达到临界裂纹长度时开始,裂纹扩展速率呈指数级增加。理论模型还表明,润滑剂中的流体进入裂纹可以通过液压加压或流体捕获效应诱导大的拉伸应力,改变裂纹向表面的扩展方向并加速点蚀[104]。为了减轻RCF的负面影响,定制的制造和成形工艺的发展变得至关重要。机械加工技术(如锻造和轧制)可以细化材料的晶粒结构,并使晶粒流向与部件的几何形状对齐,从而提高疲劳抗性和材料均匀性。此外,还故意应用了表面处理技术(如喷丸、渗碳和氮化),在部件表面诱导有利的压缩残余应力。由于疲劳裂纹需要拉伸应力才能扩展,这些工程化的压缩应力有效地封闭了微观缺陷,阻碍了裂纹的生长并延长了机器元件的使用寿命[99]。在实际应用中,机器元件很少受到简单、恒定幅度的载荷;相反,它们在复杂的叠加载荷条件下运行,例如低频(LF)操作载荷和高频(HF)振动的同时作用[28,107]。这种高频和低频载荷的叠加引入了严重的交互效应。高频组分的叠加增加了总应力范围,加速了疲劳裂纹的生长并显著缩短了总疲劳寿命。研究表明,在这些条件下,疲劳损伤高度依赖于载荷的幅度比和频率比[107]。当幅度或频率比超过临界阈值时,传统的线性损伤累积(Miner规则)由于载荷频率之间的非线性耦合而变得不保守。因此,已经开发了先进的疲劳寿命预测模型,以明确考虑非线性的高低频耦合效应、平均应力变化和非比例的额外强化,从而确保在复杂服务环境下组件的结构可靠性[30,107]。准确预测在这些复杂条件下机器元件的疲劳寿命需要超越传统的经验方法。由于传统的线性损伤累积模型往往无法捕捉到复杂叠加载荷下的严重载荷交互效应和非比例的额外强化,因此需要基于物理的先进预测模型。例如,Pape等人提出了一种预测轴承疲劳寿命的计算方法,并通过实验验证了其有效性,表明顺序硬加工和深度轧制通过诱导压缩残余应力将L10寿命提高了2.5倍[109]。此外,为了考虑定制成形工艺的影响,研究人员越来越多地采用混合建模方法。通过结合数据驱动的机器学习和基于物理的建模,现在可以创建双向的过程-结构-性能框架[24,34]。
5.3 结构健康监测和剩余使用寿命
为了超越传统的基于时间表的手动检查,现代疲劳管理依赖于连续的结构健康监测(SHM)。SHM系统使用多种传感器模式,包括应变计、加速度计、声发射(AE)传感器、引导超声波(例如Lamb波)和数字图像相关(DIC)[24]。先进的数据融合技术将这些实时数据流整合起来,自动提取深层损伤特征,进行实时疲劳循环计数,并在不中断服务的情况下跟踪损伤累积。由于SHM生成连续的时间序列数据,RNN和LSTM网络非常适合这项任务。这些架构具有内部记忆机制,可以捕捉长期时间相关性,并处理连续的传感器流,以高精度预测退化结构的剩余使用寿命(RUL)[14]。最终,这导致了数字孪生的概念:物理资产的交互式、高度同步的虚拟副本。尽管已经广泛部署,但通用性仍在发展中,已经有几个经过验证的数字孪生框架成功开发并应用于疲劳预测。例如,VanDerHorn等人开发了一种用于海洋船舶的数字孪生模型,该模型结合了操作数据和回溯数据以及计算模型,以监测随时间累积的疲劳损伤[101,110]。在民用基础设施中,Jiang等人部署了一种数字孪生驱动的架构,利用概率多尺度模型通过贝叶斯推理更新,预测钢桥的疲劳寿命[71,111]。通过使用ML算法将基于物理的FEM模型与实时传感器数据同步,这些数字孪生能够动态更新退化参数,实现基于条件的主动维护[24,112]。
6. 标准、基准测试和模型验证
6.1 疲劳测试标准
生成可靠的疲劳数据是机器学习模型的基础训练材料,这需要严格遵守国际测试标准。ASTM标准:ASTM标准指导金属材料的测试,以评估其在不同载荷条件下的疲劳性能和结构完整性。ASTM E466涵盖了在室温下对未缺口和有缺口试样进行的高循环疲劳测试,采用力控制的恒定幅度轴向测试[67]。对于材料经历循环塑性变形的情况,ASTM E606/E606M规定了应变控制的疲劳测试,这需要连续、精确的应变监测来测量低循环疲劳寿命并生成循环应力-应变曲线[67]。ASTM E647用于测量疲劳裂纹增长率(da/dN),从阈值应力强度因子范围(ΔKth)到不稳定断裂,有助于评估损伤容忍度和缺陷生长[68]。最终,考虑到大多数工程部件在服役过程中会受到复杂力的作用,ASTM E2207-15 标准制定了用于薄壁管状试样的应变控制轴向-扭转测试的协议。该标准对于表征材料在轴向、扭转以及轴向和扭转组合载荷下的变形至关重要,这些条件涵盖了环境温度和高温环境 [113]。ISO 12107:由于疲劳本质上是一个随机过程,ISO 12107 规定了疲劳实验的统计规划方法以及对所得数据的正确统计分析方法,确保使用实际数量的试样以高置信度确定疲劳性能 [66]。
针对增材制造(AM)部件的特殊考虑:增材制造部件引入了独特的测试复杂性。标准化测试必须明确考虑试样的提取/构建方向(例如,垂直、水平、对角线),因为微观结构各向异性和缺陷方向相对于载荷方向的影响非常大 [45]。此外,由于增材制造疲劳对表面异常的高度敏感性,表面状态规格(例如,原始状态、机加工状态、抛光状态或经过热等静压处理的状态)必须严格定义,像 NASA 这样的组织越来越多地要求在组件同一批次中包含“见证试样”,以确保代表性 [114]。
6.2. 专门针对疲劳的机器学习模型验证最佳实践
为了确保疲劳分析的算法可靠且具有通用性,必须使用严格的验证协议。这些协议必须系统地解决疲劳损伤的独特物理和统计挑战。以下几点提出了加强这种方法的关键考虑因素:
- 疲劳测试通常会产生被截断的数据,即“运行终止”,在这种情况下,试样在预定循环次数后没有失效。标准的机器学习回归模型无法轻松处理被截断的值而不导致预测偏差。因此,高级验证需要适当整合这些数据。一种最佳实践是使用概率物理引导的神经网络(PPgNN)这样的架构。这些网络在输入层中包含一个特定的运行终止指数,以指示数据是明确失效还是运行终止 [36]。
- 在外推到高循环疲劳(HCF)和极高循环疲劳(VHCF)范围时,另一个挑战出现了。收集大量高循环疲劳和极高循环疲劳的实验数据非常耗时且成本高昂 [26]。机器学习模型在这些长寿命范围内不得产生热力学上不可接受的预测。例如,无约束的网络可能会拟合噪声并预测疲劳寿命随应力幅度的增加而增加 [29]。因此,验证必须检查模型是否遵循物理定律。例如,它们应确保在疲劳极限附近表现出渐近行为,并强制执行诸如 d(μ)/dS ≥ 0 等约束 [36]。
- 同样重要的是要考虑疲劳散布和不确定性。疲劳失效比静态失效更加难以预测。随着应力水平的降低,寿命分散度增加 [24]。通用的机器学习模型输出单一的确定性值,这对于疲劳分析来说是不够的。严格的疲劳验证应评估模型的概率预测能力。具体来说,它应该通过输出平均疲劳寿命及其标准差(或置信区间)来评估模型量化不确定性的能力,以捕捉材料退化的自然散布 [36]。
- 疲劳测试成本高昂,因此数据集往往很稀疏。结果,通用机器学习模型常常过度拟合,记住实验噪声而不是物理定律 [29]。验证必须通过小样本确认模型的泛化能力。最佳实践包括使用迁移学习。例如,使用广泛的增材制造数据集来预测大型铸件的疲劳行为 [70]。另一种技术是物理信息数据增强,在验证之前合成具有物理意义的疲劳数据 [26]。
- 验证还必须考虑误差带图上的物理一致性。通常在双对数尺度上将预测寿命与实际寿命绘制在 2 倍或 3 倍的误差带内。然而,疲劳验证需要基准测试生成曲线的形状 [25]。研究人员应检查机器学习生成的 S-N 曲线或 da/dN-?K 裂纹扩展曲线是否捕捉到了断裂模式的转变。此外,还需要验证在高度复杂、非比例载荷条件下的鲁棒性,并确保数据驱动的准确性不违反连续损伤力学 [28]。
6.3. 公共可用的疲劳数据库
在疲劳研究中训练强大的深度学习模型的主要瓶颈是数据稀缺。
- 主要数据库:历史上,研究人员和工程师依赖诸如美国航空航天应用的金属材料性能开发与标准化(MMPDS)等已建立的存储库(联邦航空管理局,2013年),以及日本 NIMS 疲劳数据表数据库等国际资源,以及 MatWeb 等平台来获取传统合金的基线性能数据。MMPDS 的网址是 https://www.mmpds.org/(2026年4月15日访问)。它包含了超过400种金属材料规格(包括铝、高强度钢、钛和超级合金)的经过严格审核的、基于统计的设计允许性能,以及超过100种紧固件/材料组合的接头允许性能。访问需要付费/商业许可。至于 NIMS 疲劳数据表数据库,网址是 https://dice.nims.go.jp/notification/2023/01/20230117-3.html(2026年4月15日访问)。这是一个庞大的、涵盖广泛材料的数据库,提供超过150,000种材料的技术性能数据,可免费获取。
- 社区基准:行业内越来越迫切需要专门针对增材制造疲劳的、经过策划的、开放访问的数据集。一些倡议已经开始出现,例如发布金属多轴疲劳寿命的深度学习数据集,以及评估 L-PBF AlSi10Mg 组件疲劳寿命的协作基准活动 [26]。
标准化特征定义的重要性:为了使公共数据库完全互操作并对机器学习训练有效,标准化特征定义至关重要。工艺参数定义不一致或缺陷几何形状的度量标准不同(例如,Murakami 参数与最大轮廓深度)会引入噪声,从而阻碍算法学习。建立统一的本体和标准化的特征工程协议对于成功整合异构数据库和释放大规模数据驱动疲劳发现的潜力至关重要 [34,52]。
7. 对比分析:传统方法 vs. 机器学习 vs. 混合方法
7.1. 优势与局限性
表 2 总结了传统分析方法、纯数据驱动的机器学习以及混合物理信息方法在关键评估指标上的比较优势和局限性:
表 2. 不同方法的比较优势和局限性
7.2. 优势与劣势分析
- 传统方法:如 Basquin 或 Coffin–Manson 经验公式和 Paris 定律等成熟的方法本质上是透明的,需要的数据量最小,并且在工程学科中得到了很好的标准化 [25,34]。然而,这些模型在复杂的操作场景下经常变得脆弱和不准确。它们严重依赖于理想化的、刚性的假设,难以解释现实世界多轴载荷中观察到的显著散布和相互作用,因此不足以评估高度异构的新材料,如增材制造合金 [25,39]。
- 纯机器学习(ANN、RF、SVR):纯数据驱动的算法表现出出色的插值精度,能够无缝捕捉高度非线性的依赖关系,而无需先验的物理假设。尽管如此,它们的“黑箱”性质带来了严重的可解释性挑战。当在稀疏或噪声较大的疲劳数据上进行训练时,纯机器学习模型容易过拟合;它们可能会记住噪声而不是潜在趋势,有时在超出训练范围进行外推时输出物理上不可能的结果(例如,预测疲劳寿命随应力幅度的增加而增加)[34,75]。
- 混合 PINN/PIML:物理信息神经网络(PINNs)和物理信息机器学习(PIML)通过将控制物理定律(如连续损伤力学或线性弹性断裂力学)直接嵌入网络的损失函数中,提供了最佳平衡 [118]。这施加了严格的物理约束,防止模型做出热力学上不可接受的预测,使其在稀疏数据集上异常稳健。值得注意的是,Salvati 等人使用基于缺陷的 PINN 框架对增材制造金属材料进行了测试,与纯 ANN 相比,预测精度提高了 83% [79]。这种方法的主要缺点是架构复杂性增加以及优化复合损失函数的计算成本更高 [75]。
- 深度学习(CNN、DBN-BP):先进的深度学习架构,如 CNN 和带有反向传播的深度信念网络(DBN-BP),实现了最先进的精度。例如,DBN-BP 模型在表征极高循环疲劳时达到了高达 0.99 的 R2 值 [34]。然而,这种性能完全依赖于丰富的高保真数据的可用性。此外,这些架构在训练期间涉及大量的计算成本,并加剧了可解释性挑战,使得在安全关键领域难以获得监管认可 [75]。
7.3. 强调性能差异的案例研究
- 案例 1:AM Ti-6Al-4V—ANN vs. SVR vs. RF 在相同数据集上的比较:为了评估模型在相同数据集上的有效性,Horňas 等人使用锻造和增材制造的 Ti-6Al-4V 数据对几种经典的机器学习算法进行了基准测试。经过严格的超参数优化后,ANN 达到了最高的预测精度,R2 ≈ 0.848,优于随机森林回归器(RFR,R2 ≈ 0.827)和支持向量回归(SVR,R2 ≈ 0.807)[92]。
- 案例 2:AlSi10Mg—FFNN vs. PINN 在不同缺陷尺寸范围内的比较:在评估增材制造的 AlSi10Mg 时,研究人员将纯数据驱动的前馈神经网络(FFNN)与 PINN 进行了比较。虽然这两种模型都试图建立增材制造工艺参数、热处理变量和疲劳响应之间的关系,但 PINN 的可解释性和物理约束使其能够将特定的缺陷尺寸范围与退化机制相关联。PINN 在广泛的缺陷几何形状范围内产生了现实的、有界的预测,而纯 FFNN 则难以可靠地外推 [34]。
- 案例 3:SS316L—CDM-ANN vs. CDM-RF vs. 纯 ANN:为了预测增材制造的 SS316L 的疲劳寿命,研究人员探索了将连续损伤力学(CDM)与机器学习相结合的方法。研究表明,将物理引导的、对 CDM 敏感的特征输入随机森林算法(CDM-RF)显著提高了预测精度(R2 ≈ 0.927)和泛化能力,与使用原始原始特征相比 [95]。
- 案例 4:TC17 混合合金—GAN + PINN 在小数据集上的应用:为了解决锻造/增材混合制造的 TC17 合金疲劳测试中的严重数据稀疏问题,采用了复杂的多模型策略。研究人员使用生成对抗网络(GANs)人工增强了有限的实验数据集,合成了现实的缺陷-寿命数据分布。然后,这些增强数据被输入到由经验物理公式严格约束的反向传播神经网络中。通过结合生成增强和物理监督,该框架成功以 90% 的置信度预测了混合 TC17 合金的疲劳寿命,这是传统测试无法实现的 [34]。
8. 未来展望和研究方向
8.1. 用于实时疲劳预测的数字孪生
将机器学习融入结构健康监测(SHM)正促成高度同步的数字孪生的发展。这些框架通过将基于物理的有限元或损伤力学模型与机器学习驱动的替代算法以及实时 SHM 传感器数据(如声发射或应变计)融合,实现了闭环集成。尽管前景广阔,但这些系统面临重大挑战,包括需要频繁更新模型、管理传感器数据质量和噪声,以及在不同操作尺度上复杂传播随机性和认知不确定性 [110,119]。克服这些障碍为预测性维护和动态载荷管理提供了重要机会,特别是在航空航天和海上风电等高度动态的关键领域,实时疲劳跟踪可以大幅降低运营成本并防止灾难性故障 [112]。
8.2. 扩展数据生态系统
深度学习在疲劳评估中的主要瓶颈仍然是数据稀缺。为了解决这个问题,该领域必须优先创建由社区策划的疲劳数据库,这些数据库具有标准化的模式,统一记录合金成分、工艺参数、缺陷形态、载荷谱和相应的疲劳寿命,类似于 DOME4.0 或 NFDI-MatWerk 等平台 [99]。此外,高通量疲劳测试方法结合自动化图像分析(使用 CNN)正在成为快速生成和处理训练强大预测模型所需的大量数据的关键工具 [75]。由于疲劳数据通常包含专有制造秘密,因此禁止公开共享,联邦学习和迁移学习框架代表了未来的重要路径。这些方法允许机构协作共享学习到的模型知识和通用权重,而无需暴露其专有原始数据 [70]。
8.3. 先进的架构和方法
随着疲劳分析复杂性的增加,基础算法架构也必须相应发展。基于Transformer的模型和注意力组件在处理长序列载荷历史方面表现出色,能够比传统的循环网络更好地捕捉变幅应力-应变循环中的复杂时间依赖性 [100]。同时,图神经网络作为一种突破性工具出现,用于映射微观结构拓扑;它们自然处理晶界、取向和相的关系数据,从而直接预测局部疲劳裂纹的起始 [75]。为了加速计算密集型的有限元模拟,越来越多的研究开始采用操作符学习技术(如DeepONet和傅里叶神经操作符),来构建受物理约束的替代模型,以实现微观到宏观尺度的桥接。此外,为了优化物理测试的成本,主动学习框架被用来智能地选择下一个最佳的实验载荷或样品配置,从而最大化信息获取量,并快速填补稀疏数据集中的知识空白。
8.4. 可解释性、安全性和工业应用
从学术研究到工业应用的机器学习驱动的疲劳模型转变,关键在于安全性和透明度。为了满足严格的航空航天和结构认证要求,必须使用SHAP(SHAP:Simple Explanation of Actual Performance)等工具,以及基于概念的解释方法,来揭示“黑箱”算法的工作原理,明确量化诸如缺陷大小或热处理等单个因素如何影响疲劳寿命预测[120]。此外,通过贝叶斯神经网络或高斯过程回归实现的校准不确定性量化是安全关键应用的前提条件,确保模型提供可靠的置信区间,而不是确定的点估计值。业界还迫切需要标准化机器学习疲劳模型的报告方式,使其符合传统的ASTM数据报告标准,要求透明地披露训练数据与测试数据的分割情况、超参数空间以及数据处理流程。最终,这些模型必须整合到现有的监管系统中,并遵守欧盟航空安全局和美国联邦航空管理局关于在结构认证和安全寿命评估中使用人工智能的不断更新的指导方针[121]。
9. 结论
本综述系统地探讨了疲劳分析从传统经验框架向先进的、数据驱动的计算模型的范式转变。传统力学与现代计算数据科学的结合带来了一些颠覆性的发现:
- 先进的机器学习方法优于传统经验模型:深度学习架构和集成方法在性能上始终优于传统的经验方法(如Palmgren–Miner规则和Basquin–Coffin–Manson方程),它们能够无需依赖理想化假设就能有效检测复杂的非线性退化模式。
- 物理信息驱动的机器学习(PINN)具有显著优势:将物理定律直接整合到神经网络架构或损失函数中,解决了纯机器学习的主要弱点。PINN方法保证了预测结果在热力学和物理上的一致性,大幅减少了所需的训练数据量,并显著提高了超出观测范围的外推准确性。
- 缺陷特性对增材制造(AM)疲劳寿命具有决定性影响:在增材制造的金属合金中,工艺引起的缺陷对疲劳性能的影响远大于基材本身的属性。缺陷的空间位置是导致疲劳失效的最关键因素,其重要性超过了缺陷的具体形态,而缺陷的形态又超过了其绝对大小。
- 数据增强和迁移学习的成功应用:为了解决数据稀缺问题,研究人员成功采用了合成数据生成和迁移学习技术。通过利用GAN(生成对抗网络)或对基于大型传统合金数据库训练的特征层进行微调,模型即使在有限的物理测试条件下也能实现高精度预测。
- LSTM网络在顺序建模方面表现出色:循环神经网络,尤其是LSTM网络,非常适合处理连续时间的传感器数据。它们能够有效捕捉变幅载荷下的长期时间关系,从而实现高度准确的实时剩余使用寿命预测。