图文摘要 基于概率机器学习的增材制造SS316L疲劳失效评估
引用格式: Alessio Centola, Alberto Ciampaglia, Davide Salvatore Paolino, Andrea Tridello. Probabilistic Machine Learning for preventing fatigue failures in Additively Manufactured SS316L. Engineering Failure Analysis, 2025, 168: 109081. |
不锈钢316L(SS316L)因其通用性广、强度和耐腐蚀性强在增材制造中广受重视。该工作提出了一种概率机器学习方法来评估增材制造SS316L部件的疲劳性能。通过分析工艺参数、热处理和表面处理等关键制造参数,该模型提供了疲劳强度的统计估计,为评估疲劳寿命提供了有价值的参考。此外,采用贝叶斯神经网络(BNN)将模型不确定性与疲劳现象固有的不确定性分离,稳定地预测了概率应力寿命(PSN)曲线,分析了制造参数对疲劳强度的影响,进一步提供了可靠的疲劳失效评估。
该工作重点在建立模拟不确定性的神经网络模型,主要考虑了疲劳现象的固有散射及机器学习模型的不确定性,并分离它们的贡献。该工作收集了51个数据集的518个疲劳试验点用于模型训练,数据集特征包含了工艺参数、热处理和表面处理等关键制造参数,将疲劳寿命作为因变量,应力幅作为自变量。首先介绍了经验疲劳模型,即正态分布线性疲劳模型。并建立前馈神经网络模型(FFNN-L),用于预测给定制造结构下线性疲劳模型中的斜率、截距和标准差,模型结构见图1。然而,在FFNN-L模型中,数据集的标准差需要事先计算,且无法利用所有数据点。因此,该工作提出了概率损失函数,并建立物理信息神经网络模型(PINN-L)。值得注意的是,在PINN-L模型中,应力幅和跳动度被称为模拟输入,它们不直接馈送到神经网络隐含层,而只传递给自损失函数,如图2所示。
图1 FFNN-L模型结构
图2 PINN-L模型结构
为了从疲劳响应的固有散射(即任意不确定性)中识别训练数据的影响(即模型不确定性),该工作建立了贝叶斯神经网络模型(BNN),见图3。BNN能轻松捕获机器学习模型的不确定性,并通过将贝叶斯统计作为模型的一部分来实现模型泛化。BNN通常由变分层构建,对先验和后验分布使用参数函数。每一层由神经元数量、激活函数、先验分布和后验分布来定义。在该工作所开发的BNN模型中,先验和后验分布都被定义为多元正态分布,用于在层连接中引入不确定性。先验是一个标准化的多元正态分布,而后验分布是一个完全填充的多元正态分布,其均值向量和对称协方差矩阵条目在训练过程中更新。此外,BNN的目标是在90%的可靠性(R90)和90%的置信度(C90)下预测疲劳寿命,将疲劳的固有散射(R90)和线性模型的不确定性(C90)限制在数据集上,同时用BNN模拟机器学习模型的不确定性。
图3 BNN模型结构
(1)该工作建立的FFNN模型依据制造参数预测线性疲劳模型的参数,显示出可接受的结果,但预测能力有限。带有损失函数的PINN模型能提高外推性能,但统计偏差同时受到实验散射和训练数据的影响。
(2)该工作开发的BNN用于估计机器学习模型的不确定性,所提供的预测结果为R90C90曲线,展现出机器学习预测的准确性和可信度。此外,BNN综合分析了增材制造中建筑方位、激光功率、扫描速度、舱口距离和层厚对疲劳性能的影响,揭示了它们对疲劳性能的单独和综合影响。
(3)该工作所提出的BNN模型极大提高了机器学习模型的可信度和解释性,通过工艺参数准确预测PSN曲线,同时引入置信度的概率度量,可提供安全可靠的疲劳设计。
来源:增材制造硕博联盟