基于数据-知识驱动的增强应力场强度方法用于缺口疲劳寿命预测

《INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES》:Data-knowledge-driven enhanced stress field intensity approach for notch fatigue life prediction

【字体: 大 中 小 】 时间:2026年05月18日 来源:INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES 9.4

编辑推荐:

  陈建鹏|赵秉锋|张立强|韩轩|谢立阳|王梓楠|李晓雄|张松文|韩佩良 东北大学航空推进系统振动与控制教育部重点实验室,沈阳110819,中国 **摘要** 在循环载荷环境下,缺口结构的疲劳寿命预测一直是工程实践中的一大挑战。本研究提出了一种数据-知识驱动的框架,引入

  陈建鹏|赵秉锋|张立强|韩轩|谢立阳|王梓楠|李晓雄|张松文|韩佩良
东北大学航空推进系统振动与控制教育部重点实验室,沈阳110819,中国

**摘要**
在循环载荷环境下,缺口结构的疲劳寿命预测一直是工程实践中的一大挑战。本研究提出了一种数据-知识驱动的框架,引入了物理模型引导的数据驱动范式,从传统的经验拟合转向智能确定疲劳失效区域。该框架采用双阶段特征策略,结合知识驱动的定性选择和数据驱动的定量优化,以识别控制疲劳失效区域大小的主要特征。训练了一个人工神经网络(ANN),以实现从物理可解释特征到场半径的稳定映射,并将其嵌入应力场强度方法(SFIA)中,以提高疲劳寿命预测的准确性和泛化能力。对十种材料的系统验证以及对7050铝合金的专项测试表明,所提出方法的预测准确性和稳健性显著优于现有方法,且不受特定材料或几何形状的限制。通过系统比较,从疲劳损伤机制和模型构建原理的角度评估了所提出方法与现有方法的差异,证明了基于重要性驱动的方法在揭示特征协同机制的关键作用方面的优越性。这项工作为缺口结构的高精度疲劳寿命预测提供了通用且可靠的解决方案。

**引言**
工程结构中常见的几何不连续区域(如孔洞、台阶和凹槽)通常是应力集中的关键位置[[1], [2], [3], [4]]。理论分析和工程实践表明,工程结构中的大多数疲劳失效都起源于应力集中区域,在循环载荷下这些区域容易成为疲劳裂纹的起始位置,从而显著降低结构的疲劳寿命[[5], [6], [7], [8], [9]]。因此,准确预测缺口结构的疲劳寿命对于提高工程结构的完整性和安全性至关重要。

为了预测缺口结构的疲劳寿命,研究人员付出了大量努力,开发了多种疲劳寿命预测方法,并在工程实践中得到广泛应用。最传统的缺口结构疲劳寿命预测方法——名义应力法(NSA)通过引入应力集中因子来修改从光滑试样获得的S-N曲线来估算缺口试样的疲劳寿命[[10], [11], [12], [13], [14], [15]]。赵等人[[16]]研究了缺口部件的局部循环塑性行为,并建立了一个考虑应力集中因子、名义应力幅度和载荷比的疲劳寿命预测模型。侯等人[[17]]提出了一种针对中心孔的疲劳寿命预测方法,利用有限元分析(FEA)计算应力集中因子,并将疲劳缺口因子与名义应力水平关联起来,基于光滑试样的S-N曲线进行寿命预测。然而,由于难以确定复杂结构的应力集中因子且NSA严重依赖于疲劳测试建立的庞大数据库,该方法的应用成本较高且通用性不足。为了克服这些限制,出现了局部应力法(LSA),该方法仅基于临界点的局部应力和光滑试样的S-N曲线来预测疲劳寿命。LSA对基础数据的简单要求和低测试成本使其在工程实践中得到广泛应用[[18], [19], [20], [21]]。徐等人[[22]]提出了结合循环塑性本构建模和FEA的LSA,用于计算缺口根部多轴应力状态,从而为非比例载荷条件下的缺口试样提供准确的疲劳寿命预测。Kraft等人[[23]]利用结构屈服面技术实现了LSA框架,能够对多轴非比例应力下的缺口部件进行高精度疲劳寿命预测。然而,LSA仅考虑缺口根部的最大应力作为疲劳损伤表征参数,忽略了缺口根部周围应力场对疲劳寿命的影响,因此其预测结果往往过于保守。研究表明,疲劳损伤的演变不是由单一临界点控制的,而是由缺口周围有限区域内的应力状态的协同效应决定的[[24], [25], [26]]。基于此,开发了临界距离法(CDA),该方法采用缺口根部周围区域内临界点的平均应力作为损伤表征参数,从而在一定程度上减少了LSA的保守性[[27], [28], [29], [30], [31], [32], [33]]。张等人[[34]]结合CDA和威布尔分布及高应力体积法建立了缺口疲劳分析的概率框架。Rex等人[[35]]通过将点方法与循环塑性区大小概念相结合,提出了基于物理的模型,实现了预应变铝合金的高循环疲劳寿命预测。然而,CDA仅对缺口根部周围区域的临界点应力进行简单算术平均,未能考虑应力梯度对损伤积累的权重影响,难以准确反映不同临界点对疲劳损伤的贡献。通过系统研究缺口部件的失效机制和疲劳损伤演变,郑等人[[36]]提出疲劳寿命应由疲劳失效区域内的加权应力场决定,为缺口疲劳寿命预测提供了新的视角。相应地,姚等人[[37]]提出了SFIA,该方法通过引入权重函数对疲劳失效区域内的应力进行加权积分,构建了一个能反映峰值应力及应力梯度效应的等效损伤参数。此外,通过与其他理论(如概率框架、临界平面方法)的结合以及引入新参数,SFIA得到了扩展和增强,形成了能够处理多轴载荷、缺口分类和概率寿命预测等复杂场景的先进模型[[38], [39], [40], [41]]。总体而言,SFIA已成功应用于多种工程结构的寿命预测,其预测性能优于其他工程实践中的方法。

**SFIA的预测准确性**
SFIA的预测准确性高度依赖于疲劳失效区域的精确确定。然而,精确确定疲劳失效区域是一个重大挑战。在SFIA中,通常使用场半径来定义应力场强度积分的有效范围,其量化准确性直接影响疲劳寿命预测的精度。因此,研究人员从多种理论角度提出了多种确定场半径的方法。基于疲劳损伤的微观机制,一些研究者将场半径与材料晶粒大小关联起来,认为疲劳裂纹起源于缺口根部周围几个晶粒大小范围内的损伤积累[[42]]。在宏观力学层面,尚等人[[43]]建立了场半径与应力集中因子之间的线性经验关系,Krzyzak等人[[44]]强调了施加载荷和材料屈服强度对场半径的影响。断裂力学理论也被引入这一领域,例如Haddad等人[[28]]将场半径与材料的疲劳裂纹扩展阈值和疲劳极限联系起来。此外,王等人[[45], [46], [47], [48]]通过分析沿缺口对称线的应力梯度极值位置来确定疲劳失效区域的边界。Atzori等人[[49]]通过对大量实验数据的系统分析,揭示了场直径与材料疲劳极限和抗拉强度之间的定量关系。尽管这些方法为场半径估计提供了重要工具,但在实际应用中仍存在显著局限性。具体而言,现有方法高度依赖于特定测试数据的拟合参数,因此在推广到新的几何形状、材料或复杂载荷条件时泛化能力不足。此外,一些核心参数的选择往往依赖于研究者的主观经验或额外校准,引入了人为不确定性,降低了模型预测的稳健性。鉴于疲劳损伤机制的复杂性和场半径的物理含义的模糊性,基于强经验依赖性和人工参数调整的传统方法难以实现场半径的准确、稳定和广泛适用性的确定。因此,提出一种更通用和准确的确定疲劳失效区域尺寸的方法非常重要。

**数据驱动方法的发展**
随着现代计算能力和智能技术的进步,数据驱动的机器学习方法被引入缺口结构的疲劳寿命预测,旨在直接从数据中学习材料、几何参数与疲劳寿命之间的复杂关系,从而绕过或增强显式的经验公式。例如,Yu等人[[50]]提出了一个神经网络框架,该框架结合了自注意力机制和从数据驱动的偏微分方程中衍生的隐式物理约束,提高了对不同几何形状和载荷条件下缺口部件疲劳寿命的预测准确性。Mirzaei[[51]]提出了一种机器学习框架,利用沿缺口中线的机械响应参数分布特征作为输入特征,成功预测了不同材料和缺口几何形状下的高循环疲劳寿命。Long等人[[52]]提出了一种基于应力场的数据驱动方法,通过多项式拟合描述缺口附近的应力分布,并通过支持向量回归建立与疲劳寿命的非线性关系。Hao等人[[53]]提出了一个统一的物理信息驱动的机器学习框架,将光滑试样参考寿命和缺口根部应力状态等参数集成到机器学习模型中,实现了对不同几何形状和载荷条件下多晶合金的疲劳寿命准确预测。Zhan等人[[54]]提出了一个结合损伤力学和随机森林回归的机器学习框架,提高了增材制造钛合金缺口疲劳寿命的预测准确性。尽管这些先进的机器学习方法表现出良好的预测准确性,并能更好地处理复杂性,但它们主要采用端到端的范式,建立了从输入特征到疲劳寿命的直接映射。这种范式往往导致模型作为黑箱,物理可解释性有限,可能妨碍其在需要可追溯性和机制理解的关键工程安全设计中的应用。此外,它们的发展与经典物理理论的脱节可能导致预测可靠性降低。而且,它们对高保真度多维输入数据的依赖性也限制了其在许多工程场景中的实际应用。因此,亟需开发一种新的协同范式,将数据驱动方法有效整合到经典物理模型中,应用领域知识以确保可解释性和增强泛化能力。

**本研究的新颖之处**
本研究创新之处在于开发了一种数据-知识驱动的智能框架,用于确定疲劳失效区域的尺寸,并将其与SFIA结合,实现缺口结构的高精度疲劳寿命预测。该工作采用双阶段过程:首先是知识驱动的定性选择,然后是数据驱动的定量优化,构建了一个兼具物理可解释性和数据最优性能的特征集。此外,本研究建立了一种物理模型引导的数据驱动建模范式,标志着方法论的根本转变,从传统的通过经验公式确定场半径的方式转变为智能范式,在物理框架中嵌入机器学习作为灵活的非线性映射,从而解决最关键的实验瓶颈问题。在这个范式中,机器学习的使用不是为了替代而是为了增强基于物理的成熟模型,从而保持可解释性并减少经验局限性。本文的结构如下:第2节系统地阐述了SFIA的理论基础,为后续的发展奠定了基础。第3节开发了一个数据知识驱动的智能框架,以建立从物理上可解释的特征到场半径的高精度映射。第4节描述了所提出方法在疲劳寿命预测中的应用框架,并使用十种材料的疲劳寿命数据与现有方法进行了比较分析。第5节通过对7050铝合金的实验评估验证了所提出方法的准确性和通用性。第6节讨论了不同方法的比较性能以及基于重要性驱动方法的优越性。最后,第7节总结了本工作的主要结论和贡献。

**SFIA的理论基础**
缺口是工程结构中最薄弱的位置,这显著影响了结构在交变载荷下的疲劳寿命。常用的疲劳寿命预测方法使用缺口处的最大应力作为疲劳损伤的特征参数来评估疲劳寿命。然而,研究表明,应力梯度和峰值应力点周围的应力场也对疲劳寿命有显著影响[36]。

**数据知识驱动的疲劳失效区域智能确定**
为了解决工程场景中确定疲劳失效区域这一关键挑战,本节开发了一个数据知识驱动的智能确定框架。该框架包括四个层次:知识驱动的初步特征选择、数据集建立、数据驱动的智能反向特征选择以及ANN模型的建立。框架的示意图如图所示。

**SFIA在FFRDM辅助下的应用**
尽管第3节建立的数据知识驱动框架实现了疲劳失效区域维度的高精度量化,但工程实践中的核心需求仍然集中在准确的疲劳寿命预测上,这需要将确定的场半径深度嵌入疲劳寿命预测框架中。因此,本节实现了从场半径量化到疲劳寿命预测的关键转变。

**实验评估**
上述疲劳寿命预测结果表明,数据知识驱动的疲劳失效区域智能确定框架及其与SFIA的结合应用显示出克服现有方法局限性的潜力。然而,任何模型的有效性和工程适用性都必须通过严格的实验验证来确认。因此,本节旨在对所提出的SFIA-FFRDM进行实证评估。

**讨论**
为进一步阐述所提出的SFIA-FFRDM性能优势的潜在机制并探索其在工程实践中的价值,本节进行了深入的比较讨论和扩展分析。具体来说,基于疲劳损伤的物理机制和方法构建原则,系统地比较了SFIA-FFRDM与各种现有方法之间的差异,从而阐明了其卓越性能的根本原因。

**结论**
本工作介绍了一种基于物理模型的数据驱动范式,用于缺口结构的疲劳寿命预测。其核心创新在于将ANN作为一种增强型求解器战略性地嵌入到成熟的SFIA中,以智能地解决其关键的实验瓶颈问题:准确确定疲劳失效区域的大小(场半径)。这代表了从依赖经验公式到数据驱动、客观参数的方法论根本转变。

**CRediT作者贡献声明**
陈建鹏:撰写——原始草稿,方法论。赵冰峰:资源,数据管理。张立强:研究,概念化。韩轩:形式分析。谢立阳:撰写——审阅与编辑,资金获取。王子楠:撰写——审阅与编辑。李少雄:可视化,研究。张松文:监督,数据管理。韩培良:验证,监督。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号