摘要
用于航空器结构的铝合金在恶劣环境与循环载荷的耦合作用下，易发生腐蚀疲劳裂纹扩展，从而危及结构完整性。纯数据驱动模型在分布偏移条件下往往失效，而单一物理信息神经网络（PINN）在复杂工况下缺乏灵活性。本文提出了一种双物理信息神经网络（DPINN），将Walker裂纹扩展模型和Forman裂纹扩展模型集成到深度残差网络中。该模型通过可训练权重α自适应地融合两种物理公式，并预测材料常数。一种包含α正则化的混合损失函数确保了预测结果的物理一致性。利用涵盖八种铝合金的全面腐蚀疲劳数据，我们在内部测试集以及更重要的——模拟真实世界分布偏移的独立外部测试集上评估了该模型的性能。我们进一步研究了增量学习场景，即随着外部数据集中数据比例的逐步增加，模型被顺序微调。结果表明，DPINN能够快速纠正初始的分布不匹配，在早期增量阶段即突破了工程可靠性阈值（R2 > 0.90），并且在微调后实现了更优的性能，显著优于单一Walker-PINN和梯度提升回归器。SHAP特征重要性分析识别出应力强度因子变化量ΔK和应力比为主导驱动因素，验证了机理性的一致性。所提出的架构为铝合金结构腐蚀疲劳裂纹扩展预测提供了一种数据高效且具有可解释性的工具。
