综述：高温结构材料的加速试验与寿命预测：从经验加速到智能定向删失

《Engineering Fracture Mechanics》：Accelerated testing and life prediction of high-temperature structural materials: from empirical acceleration to intelligent directed censoring

　　

• 系统回顾了高温材料加速试验从经典范式到智能范式的演进历程。
• 建立了统一的损伤力学加速方程，将 Lemaitre-Chaboche 模型与 SRP 概念相整合。
• 提出了 MDPI-AV 框架，协同机理、数据与性能，实现长寿命验证。
• 物理信息神经网络（PINN）实现了小样本条件下的参数辨识与损伤状态反演。
• 识别并讨论了高温加速试验领域的关键挑战与未来方向。

引言

燃气轮机被公认为能源电力与航空航天领域的核心动力装备。其热端部件通常在超过 1000 °C 的极端温度、复杂机械载荷以及氧化/腐蚀环境的耦合作用下运行。这类部件通常要求设计寿命超过 100,000 小时，而新材料的开发周期和新设计的验证时间却日趋缩短。这种"长寿命需求"与"短开发周期"之间的矛盾被公认为高温材料领域最根本的工程困境 [1]–[4]。直接进行 100,000 小时的实时验证显然被认为是不切实际的。因此，加速试验被选择为解决这一矛盾的唯一可行途径。加速试验通过在高于服役条件的应力水平下进行测试，在更短的时间内获取失效数据，然后通过数学模型外推正常工况下的寿命。加速试验的核心逻辑通常由加速因子 AF = L_use / L_test 这一概念来概括，其中 L_use 为服役条件下的寿命，L_test 为试验条件下的寿命。其本质是回答：在加速条件下，1 小时试验相当于服役条件下的多少小时。若实现了 100 倍的加速因子，则 1,000 小时的加速试验即被认为等效于 100,000 小时的服役寿命。

众所周知，加速试验的理论基础建立在若干里程碑式的贡献之上。阿伦尼乌斯率先建立了温度与反应速率之间的定量关系，该关系后来成为热加速的基石 [5]。巴斯科因建立了应力-寿命关系，该关系至今仍是高周疲劳评估的基本依据。科芬和曼森独立发现了塑性应变-寿命幂律关系，为低周疲劳评估提供了基础 [6]。巴黎和埃尔东提出了裂纹扩展律，将断裂力学与疲劳寿命预测联系起来。拉尔森和米勒发展了时间-温度参数，使蠕变数据能够在不同温度之间进行外推 [7]。曼森和哈费尔以及奥、舍比和东恩提供了替代公式，拓展了时间-温度方法的适用范围。勒梅特和沙博什建立了连续介质损伤力学框架，统一描述了蠕变、疲劳及其相互作用 [8]。较近的研究中，诺里斯和兰茨伯格为电子封装中的热循环疲劳提供了工程模型 [9]。这些经典贡献构成了当代加速试验方法学（包括本文提出的 MDPI-AV 框架）所依托的知识遗产。其原理、局限性和拓展将在后续章节中详细探讨。

根据加速应力的施加方式和数据分析方法，本文系统回顾了高温材料加速试验技术的演进——从经典加速因子方法、时间-温度参数方法和损伤力学方法，到智能自适应加速试验。经典加速因子方法以阿伦尼乌斯模型和逆幂律模型为代表，用于形式化描述寿命与单一应力之间的关系。尽管这些方法以物理意义清晰、形式简洁、便于工程应用而著称，但通常仅限于单一失效机理，无法处理多应力耦合效应。时间-温度参数方法以拉尔森-米勒参数、曼森-哈费尔参数和奥-舍比-东恩参数为代表，通过构建温度-时间等效参数，将不同温度下的试验数据归一化到一条主曲线上，并据此进行外推。尽管这些方法在蠕变寿命外推中应用广泛，但本质上属于经验方法，缺乏辨识机理转变的能力 [10]–[17]。损伤力学方法旨在描述蠕变-疲劳相互作用，并揭示线性损伤累积规则的根本局限性。沙博什模型在连续力学和不可逆热力学框架内建立，用以构建非线性损伤演化律。通过该模型，可以描述载荷序列效应、平均应力效应以及蠕变-疲劳相互作用。然而，该模型涉及大量参数，参数辨识复杂，计算成本高 [18]–[21]。智能自适应加速试验以定向截断法为代表。该方法通过多模态原位监测实时辨识损伤机理，利用贝叶斯更新动态优化试验过程，并在确保机理一致性的前提下最大化信息获取效率。该方向被认为是加速试验技术发展的当前前沿 [22]–[24]。

近年来，随着人工智能与计算力学的深度融合，物理信息神经网络（PINN）被视为一种新型建模范式，将物理方程嵌入神经网络训练过程，正成为加速试验领域的重要突破方向 [25]–[27]。PINN 通过将控制方程的残差项引入损失函数，使模型在拟合实验数据的同时严格满足物理守恒律和演化方程。因此，在小样本和强噪声条件下也能实现高精度参数辨识和状态反演 [28]。在高温材料加速试验中，PINN 被用于从少量蠕变或疲劳曲线中统一损伤力学模型的多个材料参数进行辨识。此外，通过与数字图像相关（DIC）等监测技术结合，PINN 还被用于反演损伤场的时空演化过程，从而为机理一致性准则的实时计算提供关键支撑 [29]。PINN 的引入标志着加速试验建模从"纯数据驱动"或"纯机理驱动"方法向"物理-数据融合驱动"方法的转变，从而为 MDPI-AV 框架的实现提供了核心算法引擎 [30]–[32]。

尽管加速试验技术已取得显著进展，但在工程应用中仍面临诸多困难和挑战。第一，机理转变的不可预见性：现有方法难以在试验前准确预测失效机理突然变化的时间点和条件。因此，加速试验应力水平的选择往往依赖于经验而缺乏理论指导。一旦试验过程中发生机理转变但未被检测，整个外推结果即告失效 [33]–[37]。第二，多场耦合效应的量化困难：高温结构材料在实际服役条件下承受的热-力-环境耦合具有强非线性特征。传统试验方法往往将这些效应简化为单一因素的线性叠加，而真实的协同效应要复杂得多。如何在加速条件下复现和量化此类耦合效应被视为当前技术的薄弱环节 [38]–[39]。第三，原位监测技术的局限性：高温环境下的实时损伤监测尚不成熟。现有的声发射、红外热像和数字图像相关等技术，在 1000 °C 以上受到传感器耐温限制和信号解耦困难的制约，无法实现损伤机理演化的全过程跟踪 [40]–[41]。第四，模型参数辨识的唯一性问题：尽管统一损伤力学模型在理论上完整，但涉及数十个材料参数。在样本有限的条件下，参数反演面临严重的非唯一性问题。不同的参数组合可能拟合相同的宏观曲线，但外推预测结果却可能相差很大，从而对模型的可靠性产生根本性怀疑 [42]。第五，加速试验中成本与时长的矛盾：尽管加速试验旨在缩短验证时间，但对于 100,000 小时寿命的部件，即使加速因子为 100，仍需 1,000 小时试验。考虑到多应力水平、多批次重复试验和参数标定的需要，完整的试验矩阵往往需要数年的努力和巨大的成本，加速试验本身也面临效率瓶颈 [43]。第六，工程接受的障碍：复杂物理模型的预测缺乏直观的可解释性，工业界更倾向于选择更简单且经验成熟的传统方法。这种认知惯性阻碍了新方法从学术研究向工程应用的转化，从而延缓了加速试验技术的迭代升级。

基于上述演进轨迹和对这些挑战的认识，一种更为革命性的突破方向正在形成：构建统一的损伤力学加速方程，将 Lemaitre-Chaboche 非线性连续介质损伤力学与应变范围分区（SRP）概念相整合，以捕捉实际服役条件下的多物理场协同效应。该方向的核心在于摒弃经典加速因子的简化方法，转而从损伤演化内变量理论的角度出发，将蠕变、疲劳、氧化及多场耦合效应统一于单一数学框架中，从而实现从寿命预测到损伤演化预测的范式转变 [44]–[47]。同时，物理信息神经网络（PINN）的引入被视为解决统一损伤力学模型中参数辨识困难和反问题复杂等关键瓶颈的新技术途径 [48]。PINN 通过将损伤演化方程作为物理约束嵌入，在小样本实验数据条件下对模型中的多个材料参数进行反演辨识。此外，从宏观应变监测数据出发直接反演当前损伤场分布，为机理一致性准则的实时计算和定向截断决策提供关键支撑 [49]–[50]。在 Lemaitre-Chaboche 模型中，通过总应变率分解、有效应力概念和粘塑性流动法则实现损伤演化与材料变形的耦合 [51]–[52]。将 SRP 概念纳入该框架，用于构建更精细的疲劳损伤演化方程，实现载荷路径依赖性的详细描述。在此基础上，构建统一的损伤演化方程，包括疲劳损伤项、蠕变损伤项、环境损伤项和耦合损伤项。其中，耦合损伤项被认为是捕捉"1+1>2"协同效应的关键 [25]、[53]–[54]。

在统一损伤力学加速方程的基础上，进一步提出了一个整体概念框架，称为"机理-数据-性能集成加速验证"（MDPI-AV）。该框架定义为多尺度机理建模、多源数据融合、PINN 驱动参数辨识和智能加速试验的协同，在集成框架内主动实现燃气轮机热端部件的高可靠性和长寿命目标。其核心创新被确定为"机理一致性保障的自适应定向截断"方法，通过多模态原位监测实时辨识损伤机理，以机理一致性指数定义截断准则，利用贝叶斯更新动态优化试验过程，从根本上确保加速试验数据外推的有效性。

该框架包含四个核心元素：一是基于机理引导的加速试验设计，以统一损伤力学加速方程作为理论基础，根据待标定参数和待验证机理设计具有明确物理目标的定向截断试验；二是数据驱动的模型参数识别，通过融合多源异构数据，利用PINN、贝叶斯更新和迁移学习等方法，在有限样本条件下高效识别统一损伤力学模型中的众多参数；三是损伤状态反演与演化追踪，利用PINN从宏观监测数据中反演损伤场的时空演化，为机理一致性判据提供实时输入；四是面向性能的寿命预测与验证，模拟部件在实际服役载荷谱下的整个损伤演化过程，预测其超过100,000小时的长寿命，并形成"试验→模型→预测→验证"的闭环。

众所周知，燃气轮机热端组件的结构完整性受一系列损伤事件的控制，从微观损伤萌生，到损伤累积和微裂纹形成，再到宏观裂纹扩展和最终断裂。从萌生主导阶段向扩展主导阶段的转变，标志着寿命评估方法的重要变化，需要将连续损伤力学与断裂力学相结合。在本综述中，特别强调了断裂力学方面，包括裂纹尖端的损伤演化规律、蠕变-疲劳载荷下的裂纹萌生判据、加速条件下的裂纹扩展速率预测、应力集中部位的蠕变-疲劳相互作用以及基于断裂的寿命预测方法。这些方面对于建立加速试验结果与组件长期断裂性能之间的联系至关重要，同时确保加速外推的机理一致性（图1）。

展望未来，MDPI-AV框架的进一步开发需要关注以下几个前沿方向。在PINN驱动的加速试验中，将统一损伤力学方程作为物理约束嵌入神经网络的损失函数中，在少样本条件下实现模型参数的高精度识别，并直接从监测数据中推断当前损伤状态。利用因果推断确保机理一致性，区分应力加速效应与机理转变效应，为加速因子的计算提供因果保障。采用元学习和少样本快速适应方法：从各种高温合金的加速数据中学习"如何学习材料寿命规律"的元知识，使仅凭少量新合金试验数据即可快速调整模型参数。采用数字孪生驱动的整个生命周期管理：通过融合多物理场仿真、实时感知、大数据分析和机器学习，构建燃气轮机热端组件的数字孪生体，实现从设计制造到服役的全生命周期寿命管理。MDPI-AV框架被认为代表了加速试验技术从盲目加速向精确探究的范式转变。由此，为燃气轮机热端组件100,000小时以上长寿命性能的可信验证提供了系统性解决方案。基于MDPI-AV，提出了加速寿命验证路线图，如图2所示。

本综述的原始贡献主要体现在以下三个方面：（1）提出了MDPI-AV框架。通过多尺度机理建模、多源数据融合、PINN驱动的参数识别和智能加速试验的协同作用，在统一框架内主动实现燃气轮机热端组件的高可靠性和长寿命目标（图3）。（2）提出了基于统一损伤力学的加速方程。通过整合Lemaitre-Chaboche非线性连续损伤力学与应变范围分区（SRP）概念，将蠕变、疲劳、氧化和多场耦合效应统一纳入单一内变量演化框架中。（3）提出了保证机理一致性的自适应定向截断方法。通过多模态原位监测，实时识别损伤机理，以机理一致性指数定义截断判据，并通过贝叶斯更新动态优化试验过程（图4）。

章节摘要

经典加速模型——提供加速试验的理论基石

经典加速模型构成了加速试验方法的理论基石[55]。其发展轨迹遵循从单应力作用到多应力耦合、从经验描述到机理表征的内在逻辑[12]，[43]，[56]，[57]，[58]。这些模型被认为各自适用于特定的物理场景，共同为高温部件的寿命预测提供了基本工具。

高温材料和结构的长期蠕变加速理论——提供蠕变加速的外推工具

时间-温度参数法被认为是高温材料加速蠕变寿命试验中最广泛应用的类方法。其核心理念被定义为构建一个同时包含温度和时间的组合参数，通过该方法将不同温度条件下获得的蠕变数据归一化到单条主曲线上。通过这种方式，可以从高温短期试验外推预测至低温长期服役条件。

疲劳及疲劳-蠕变相互作用的加速理论——解决损伤力学与相互作用效应非线性叠加的问题

在经典加速模型和时间-温度参数法的基础上，引入损伤力学方法被认为是加速试验理论从"寿命预测"向"损伤演化描述"转变的重要标志[101]，[102]，[103]。这一转变的核心动机在于：在服役条件下，高温结构材料经常受到多种损伤机理的耦合作用，如蠕变、疲劳和氧化等。

损伤力学加速理论——提供定向截断的统一方程

在经典加速模型、时间-温度参数法以及上述损伤力学方法的基础上，智能加速试验范式的兴起被认为是加速试验技术从"经验加速、统计外推"向"机理引导、智能决策"转变的根本标志[30]，[126]，[127]。这一转变的核心动机在于：无论方法多么复杂，传统加速试验仍缺乏对损伤机理的深入理解和有效利用。

主要加速试验方法的系统比较

在前文综合综述的基础上，本节对主要加速试验方法进行了系统比较。这种比较对于读者掌握各方法的相对优势和劣势至关重要，并有助于针对特定工程应用选择合适的方法。

MDPI-AV框架——实现从概念到实践的旅程

在基于统一损伤力学的加速方程和智能定向截断试验方法的基础上，提出了一个整体概念框架，称为"机理-数据-性能集成加速验证"（MDPI-AV）。其定义如下：通过多尺度机理建模、多源数据融合和智能加速试验的协同作用，在统一框架内实现燃气轮机热端组件的高可靠性和长寿命目标。

智能加速试验的新范式——引入PINN驱动的加速试验方法

随着人工智能与计算力学的深度融合，物理信息神经网络（PINN）被认为是一种极具前景的加速试验建模和参数识别工具[126]，[180]，[181]，[182]。通过将物理方程（如偏微分方程、本构方程、损伤演化规律）作为软约束嵌入神经网络的损失函数中，实现了物理系统的高精度建模。

前景与挑战——探讨未来方向与剩余障碍

MDPI-AV框架作为结合机理建模、数据驱动方法和智能试验的综合解决方案，被认为标志着加速试验技术从经验范式向科学范式的根本转变。然而，该框架仍被认为处于从概念构建向实用方法转变的过程中，在其进一步发展中面临许多技术瓶颈[214]。这些瓶颈并非不可逾越，但仍需要学术界和工业界的共同努力。

CRediT作者贡献声明

Chun Luo：撰写—初稿，方法论。Xinmei Wang：资源，调查研究。Weizhu Yang：验证，指导。Shouyi Sun：指导，项目管理。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些利益关系可能会影响本文所述工作的客观性。

Chun Luo | Xinmei Wang | Weizhu Yang | Shouyi Sun