一种用于高强度钢焊接金属疲劳寿命的高性能且可解释的机器学习预测的新型特征工程方法

《Engineering Applications of Artificial Intelligence》:A novel feature engineering method for high-performance and interpretable machine learning prediction of fatigue life in high-strength steel weld metal

【字体: 大 中 小 】 时间:2026年07月08日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

  魏一林|曹瑞|张尚攀|吕金格|董洪标中国兰州理工大学有色金属先进加工与回收国家重点实验室,兰州730050摘要特征工程在提升机器学习预测模型的性能方面起着至关重要的作用,它有助于提高预测精度、减少过拟合并增强模型可解释性。本文研究了一种用于高强度钢焊接接头焊缝金属疲劳寿命的机器学

  魏一林|曹瑞|张尚攀|吕金格|董洪标中国兰州理工大学有色金属先进加工与回收国家重点实验室,兰州730050摘要特征工程在提升机器学习预测模型的性能方面起着至关重要的作用,它有助于提高预测精度、减少过拟合并增强模型可解释性。本文研究了一种用于高强度钢焊接接头焊缝金属疲劳寿命的机器学习预测模型。文中设计了一种新的特征工程方法(新特征工程,NFE),并在多种机器学习模型中对其预测性能进行了评估。同时利用Shapley加性解释法和局部可解释模型无关解释法分析了该方法对模型可解释性的影响。实验结果表明,与传统特征工程方法相比,NFE在极端梯度提升等模型中表现更优。具体而言,NFE显著提升了预测精度,测试集R2值达到0.91,同时将平均过拟合程度降低了30%以上。此外,NFE筛选出的特征集能够有效平衡线性、非线性以及多特征耦合关系,这种平衡使得模型的决策更符合物理直觉,从而提升了整体可解释性。在人工智能领域,本研究提出的一种创新特征工程方法(NFE)为处理高维度、小样本量且包含线性与非线性特征的工程数据提供了通用的特征构建与选择框架;在工程应用中,该方法能够为高强度钢焊接接头的焊缝金属疲劳寿命提供高精度、符合物理规律的预测结果,为焊接结构的安全评估与寿命管理提供了智能决策工具。引言由于高强度钢具有出色的强度重量比,因此被广泛应用于桥梁、船舶、建筑机械及现代建筑等关键结构中。焊接作为制造复杂钢结构的主要连接方式,其质量直接决定了结构的完整性和安全承载能力(Lv等人,2025;Ma等人,2024;Wang等人,2025;Wei等人,2026;Xia等人,2025)。然而,焊接过程不可避免地会导致晶粒粗化、脆硬微观结构形成、化学成分不均匀以及接头硬化,这使得接头成为整个结构中最薄弱的环节(Peng等人,2020;Zhao等人,2026)。在服役过程中,焊接接头在交变载荷作用下容易产生疲劳裂纹,进而引发结构疲劳破坏,导致工程事故。因此,预测高强度钢焊接接头的疲劳寿命是确保结构长期可靠性的核心问题(Barsoum和Barsoum,2009;Finch和Burdekin,1992)。传统的疲劳寿命预测方法主要依赖于基于断裂力学的理论模型以及从大量实验数据中总结出的经验公式。但这些方法受到计算方法、材料特性及制造工艺的限制,难以充分考虑现实工程中存在的复杂多因素耦合现象,存在明显局限性(Mourad等人,2025;Paris和Erdogan,1963;Schütz,1996;Vishnuvardhan等人,2023)。近年来,人工智能成为科学研究领域的新范式。作为人工智能的重要分支,机器学习为疲劳寿命预测开辟了新的途径(Gu等人,2023;Huang等人,2026;Udu等人,2025;Wang等人,2026;Yang等人,2023;Yu和Xie,2024;Zhang等人,2025)。通过从实验数据中自主学习复杂的潜在关联,机器学习模型在各类材料性能预测任务中展现出超越传统方法的潜力,为解决相关难题提供了新思路(Liu等人,2025;Shen等人,2025;Wang等人,2024;Xu等人,2024)。早在2003年,Srinivasan等人就成功利用人工神经网络模型,以温度、应变速率及应变幅值等实验参数作为输入,预测了316LN不锈钢的单轴低周疲劳及蠕变-交互疲劳寿命(Srinivasan等人,2003)。后续研究通过算法优化和数据增强技术来提升疲劳寿命预测精度。Zhan等人比较了人工神经网络、支持向量机以及随机森林模型在预测316L不锈钢、Ti6Al4V和AlSi10Mg等增材制造材料疲劳寿命方面的性能,结果显示随机森林模型的预测精度最高(Zhan和Li,2021)。Feng等人则利用物理引导神经网络模型预测并优化了铁素体/马氏体钢在铅铋共晶环境中的腐蚀行为,该模型相比传统机器学习方法具有更高的准确性和一致性,其有效性也得到了实验验证(Feng等人,2025)。Diao等人通过引入长裂纹、短裂纹以及多尺度疲劳裂纹扩展模型来生成增强数据,有效提升了304不锈钢多尺度疲劳裂纹扩展预测的精度与泛化能力(Diao等人,2026)。在构建机器学习预测模型时,特征工程对模型的性能与可解释性起着决定性作用(Liu等人,2017)。特征工程通过过滤、转换和整合原始数据集,构建与目标变量相关性更强的特征集,从而提升模型的性能、可解释性及效率(Dong等人,2021;Feng等人,2021;Feng等人,2019)。为此,研究人员提出了主成分分析、皮尔逊相关系数等特征融合与选择方法(Osa-uwagboe等人,2024)。Liu等人利用主成分分析降低高维材料描述符的维度,通过提取前两个主成分,可视化了具有不同蠕变机制的合金样品群分布,从而验证了他们所采用的划分聚类策略的有效性(Liu等人,2020)。不过现有方法仍存在不足。诸如皮尔逊相关系数这类基于线性假设的方法无法准确捕捉焊缝金属疲劳寿命中的非线性关系。最大信息系数容易受样本量影响,且不能体现特征之间的交互作用。更为严重的是,某些特征工程方法会加剧机器学习模型的“黑箱效应”,极大降低模型的可解释性,从而限制机器学习预测模型在工程中的应用。基于上述研究,本文旨在设计一种用于高强度钢焊接接头焊缝金属疲劳寿命预测的新特征工程方法。该方法通过筛选高度相关的特征、剔除弱相关特征以及保留极端特征来构建特征集。随后,研究者们使用了五种常用的机器学习算法——支持向量回归、随机森林、梯度提升决策树、极端梯度提升以及分类提升——分别利用完整特征集以及经过不同特征工程处理后的特征集来预测疲劳寿命,这些特征集是通过皮尔逊相关系数、最大信息系数、LASSO、F检验、mRMR方法以及本文提出的NFE方法筛选得到的,NFE方法设置了三种筛选比例:40%、50%和60%。通过性能对比,分析了不同特征选择策略及NFE筛选比例对模型预测精度与泛化性能的影响。此外,还运用SHAP和LIME方法对预测模型进行了可解释性分析——其中LIME在材料科学领域应用相对较少——以此研究特征工程对模型预测性能与可解释性的影响。数据与特征本研究的分析数据是从已发表的文献中系统收集的。该数据集包含332个与高强度钢焊缝金属疲劳寿命相关的样本。如图1所示,数据集中有17个实验影响因素,可分为三类:疲劳加载参数,包括应力幅值、平均应力及频率;与焊缝金属相关的材料参数,包括强度、弹性……特征工程图3展示了不同特征选择方法的计算结果,其中图3(a)为皮尔逊相关系数矩阵,图3(b)至(e)分别为最大信息系数、F检验、mRMR及LASSO方法的特征排序结果。图3(a)显示了皮尔逊相关系数的计算结果。与最大信息系数不同,皮尔逊相关系数的数值具有方向性,其相关强度可通过绝对值来判断。实验结果表明,平均应力与应力幅值仍然是具有较高相关性的特征……泛化性能评估图5比较了在应用完整特征集、皮尔逊相关系数、最大信息系数、NFE 40%、NFE 50%、NFE 60%、LASSO、F检验及mRMR方法后,XGBoost模型的性能表现。总体而言,不同的特征工程方法对模型的预测性能有着显著影响。其中,采用NFE 50%方法处理的模型表现最佳,其在测试集上的R2值高于其他特征工程方法,而其平均绝对误差和均方根误差则低于其他方法。与NFE 40%及NFE……结论本研究提出了一种新的特征工程方法(NFE),旨在显著提升基于机器学习的高强度钢焊接接头焊缝金属疲劳寿命预测模型的准确性、稳健性及可解释性。该方法为特征构建提供了有价值的方法论指导,尤其适用于那些具有高维度、小样本量的工程数据集。1. 稳健的特征选择:克服……CRediT作者贡献声明魏一林:撰写——初稿、验证、方法设计、研究实施、正式分析、概念构思。曹瑞:撰写——审稿与编辑、监督、项目管理、概念构思。张尚攀:验证、研究实施、正式分析。吕金格:验证、研究实施、正式分析。董洪标:验证、研究实施、正式分析。利益冲突声明作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢本研究得到了甘肃省顶尖人才计划、中央引导地方科技发展专项基金(编号24ZYQA054)、甘肃省重点研发计划——工业项目资助(编号23YFGA0057)、国家自然科学基金(编号52175325)以及甘肃省重大科技项目(编号24ZD13GA018、23ZDGA010、22ZD6GA008)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

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