首页/文章/ 详情

南航顶刊丨机器学习预测基于工艺-微观结构-载荷的增材制造金属的疲劳性能

6月前浏览7320

摘要

本文综述了机器学习在预测增材制造材料疲劳性能方面的最新进展。增材制造材料的疲劳性能受多种因素影响,传统评估方法成本高、效率低。近年来,机器学习方法成为预测疲劳性能的有效途径,通过纳入加工工艺、微观结构、载荷参数等因素,建立模型以预测疲劳寿命和裂纹扩展速率。文中介绍了多种机器学习模型,如前馈神经网络、卷积神经网络等,并探讨了其应用、挑战和潜在解决方案。特别是,物理信息神经网络因考虑物理特性而备受关注。未来工作将聚焦于处理小数据集、优化特征选择、避免过拟合等问题,以提高预测准确性和实用性。


正文       

近日,南京航空航天大学航天工程学院航天结构力学与控制国家重点实验室、中国航发集团沈阳发动机研究所(606所)空军工程大学等离子体动力学重点实验室等联合在SCI期刊《Chinese Journal of Aeronautics》(影响因子5.7) 上发表了题为 “Machine learning for predicting fatigue properties of additively manufactured materials” (机器学习预测增材制造材料的疲劳性能) 的综述论文。

基于加工工艺-微观结构-载荷参数的增材制造材料疲劳性能预测机器学习方法

增材制造材料的疲劳性能取决于增材制造工艺参数、微观结构、残余应力、表面粗糙度、孔隙率、后处理等诸多因素。然而,由于需要尽可能多地考虑这些因素从而导致疲劳性能评估方法的高成本与低效率。近年来,利用机器学习(ML)评估疲劳性能受到越来越广泛地关注。本工作全面概述了应用ML策略预测增材制造材料疲劳性能的最新进展,以及疲劳性能与增材制造工艺和后处理参数(如激光功率、扫描速度、层高、孔距、构建方向等)的依赖关系。综述了利用前馈神经网络、卷积神经网络、自适应神经模糊系统、支持向量机和随机森林预测疲劳寿命以及利用随机森林预测疲劳裂纹扩展速率的几种尝试。预测增材制造材料疲劳性能的机器学习模型除纳入由增材制造技术所引入的特征参数外,本质上与常用机器学习模型相似。最后,展望了增材制造材料疲劳性能ML预测的挑战 (即小样本、高维特征、过拟合、可解释性差、无法从增材制造材料数据扩展到结构寿命) 和潜在解决方案。

引用格式: M. Yi, M. Xue, P. Cong, Y. Song, H. Zhang, L. Wang, L. Zhou, Y. Li, W. Guo. Machine learning for predicting fatigue properties of additively manufactured materials[J]. Chinese Journal of Aeronautics, 2024, 37(4): 1–22.

该综述系统地概述了将ML策略应用于增材制造材料疲劳性能预测的最新进展,如图1所示。详细介绍了用于预测增材制造材料疲劳性能(疲劳寿命和疲劳裂纹扩展速率)的ML方法,包括前馈神经网络、卷积神经网络、基于自适应网络的模糊系统、物理信息神经网络、支持向量机和随机森林。          
         
图1 应用机器学习策略预测增材制造材料疲劳性能的最新进展总结          

对于六类机器学习方法,该综述简要介绍了机器学习的基本知识及其在增材制造和不同后处理技术下预测材料 (如钛合金、不锈钢、镁合金、镍基合金等) 疲劳性能方面的具体应用。限于篇幅原因,本文仅给出其中一种机器学习模型的应用案例,如图2所示。

         
2 前馈神经网络用于增材制造材料疲劳寿命预测          
值得一提的是,本综述也考虑了物理信息神经网络在增材制造材料性能预测中的应用,如图3所示。该方法是目前较为前沿和热门的机器学习方法,由于考虑了问题的潜在物理特性,其可解释性和小样本拟合能力优于传统的机器学习模型。                   
         
3 物理信息神经网络用于预测增材制造材料疲劳寿命          
         
         
图4 采用支持向量机进行增材制造材料疲劳寿命预测          
         
         
图5 利用射频技术预测增材制造材料的疲劳寿命          
         
         
图6 RF在预测增材制造材料疲劳寿命和疲劳裂纹扩展速率中的应用          

论文主要结论及展望如下:

         

(1)ML模型的一个明显缺点是训练模型需要大量的数据。为了处理小数据集问题,潜在的方法包括数据增强(变分自编码器、对抗自编码器)和基于物理模型的数据生成(有限元模拟)等。            

(2)为ML模型选择一组好的特征对于获得良好的预测性能至关重要。一方面,特征选择的原则取决于研究人员对增材制造技术和增材制造材料的经验和知识;另一方面,一些机器学习算法可以评估不同特征及其组合的重要性,在对AM及其诱导的微观结构缺乏经验或知识的情况下为特征筛选提供指导。

(3)过拟合会导致预测疲劳寿命不合理。为避免过拟合,可以选择正则化、早停、和dropout等技术。

(4)增强预测增材制造材料疲劳性能的ML模型可解释性仍有待探索。一些物理知识可以被设计成ML模型的损失函数或参数,从而对增材制造材料的疲劳性能进行可解释的预测。

(5)未能实现从增材制造材料疲劳数据扩展到机器学习模型的结构寿命设计。整合机器学习策略、结构寿命设计经验和标准、数值模拟应力/应变分析以及新开发的裂纹扩展预测方法,将增材制造材料的疲劳数据扩展到结构寿命设计中,仍是一个有待探索的问题。


来源:增材制造硕博联盟
ACTAdditive疲劳航空航天增材裂纹材料控制
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2024-05-03
最近编辑:6月前
增材制造博硕联盟
硕士 聚焦增材制造科研与工程应用,致...
获赞 120粉丝 66文章 528课程 0
点赞
收藏
未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈