Vorhersage von 316 Edelstahl niedrig

Scientific Reports Band 13, Artikelnummer: 6753 (2023) Diesen Artikel zitieren

691 Zugriffe

3 Altmetrisch

Details zu den Metriken

Die Kurzzeitermüdungslebensdauer von Edelstahl 316 ist eine wichtige Grundlage für die Sicherheitsbewertung. Normalerweise beeinflussen viele Faktoren die Ermüdungslebensdauer von rostfreiem Stahl bei niedrigen Lastwechselzyklen, und die Beziehung zwischen den Einflussfaktoren und der Ermüdungslebensdauer ist kompliziert und nichtlinear. Daher ist es schwierig, die Ermüdungslebensdauer mithilfe der herkömmlichen empirischen Formel vorherzusagen. Darauf aufbauend wird ein Algorithmus für maschinelles Lernen vorgeschlagen. In diesem Artikel werden auf der Grundlage der großen Menge vorhandener experimenteller Daten Methoden des maschinellen Lernens verwendet, um die geringe Ermüdungslebensdauer von Edelstahl 316 in Umfangsrichtung vorherzusagen. Die Ergebnisse zeigen, dass die Vorhersagegenauigkeit von nu-SVR- und ELM-Modellen hoch ist und den technischen Anforderungen gerecht werden kann.

Edelstahl 316 ist eine weit verbreitete Art von Chrom-Nickel-Edelstahl. Aufgrund seiner guten Hochtemperatur-Ermüdungsleistung, Zähigkeit und Korrosionsbeständigkeit wird es häufig in der Lebensmittelverarbeitung, medizinischen Geräten, der Nuklearindustrie, der chemischen Produktion und anderen Bereichen mit strengen Anforderungen eingesetzt. Angesichts der immer komplexeren Arbeitsbedingungen von Edelstahl 316 hat seine Sicherheit bei technischen Anwendungen oberste Priorität und ein Ermüdungsversagen ist eine wichtige Grundlage für Sicherheitsbewertungen1,2. Es ist wichtig, die Vorhersage der Ermüdungslebensdauer bei niedrigen Lastwechselzyklen zu untersuchen. Das am häufigsten verwendete Modell für die Vorhersage der Ermüdungslebensdauer bei niedriger Lastspielzahl von Edelstahl 316 ist die traditionelle empirische Formelvorhersagemethode. Die Hauptmodelle sind die kumulative Schadenstheorie3, die lokale Spannungs-Dehnungs-Methode4, die Energiemethode5 und die Feldstärkemethode6. Bei der herkömmlichen Ermüdungslebensdauervorhersage wird der Zusammenhang zwischen Ermüdungslebensdauer und Einflussfaktoren auf der Grundlage einer Vielzahl von Experimenten ermittelt und die Ermüdungslebensdauer durch Anwendung einer Vielzahl empirischer Formeln vorhergesagt. Das herkömmliche Modell zur Vorhersage der Ermüdungslebensdauer mit empirischen Formeln weist schwerwiegende Einschränkungen auf, wie z. B. die Vielfalt empirischer Formeln, geringe Vorhersagegenauigkeit, hohe und wiederholte experimentelle Kosten und lange Vorhersagezeiten. Die Entwicklung des maschinellen Lernens hat neue Ideen zur Lösung dieser Probleme geliefert7,8,9,10,11,12,13,14,15,16.

Maschinelles Lernen (ML) ist ein multidisziplinäres Gebiet, das Theorien aus verschiedenen Disziplinen umfasst, darunter Wahrscheinlichkeitstheorie, Statistik, Näherungstheorie, konvexe Analyse, algorithmische Komplexität usw.17. Vereinfacht ausgedrückt ist maschinelles Lernen eine Lernmethode durch Computersimulation menschlichen Lernens, bei der maschinelles Lernen kontinuierlich Modelle aus Daten trainiert und so deren Verallgemeinerung verbessert18. Aufgrund der leistungsstarken Fähigkeiten des maschinellen Lernens wie Datenverarbeitung und Datenanalyse wird die Methode häufig in den Bereichen Data Mining, automatische Spracherkennung, Computer Vision sowie Fehlererkennung und -diagnose eingesetzt. Derzeit gibt es auch einige Anwendungen in der Lebensvorhersage19,20,21,22. Es gibt jedoch nur wenige Studien zur Vorhersage der Lebensdauer von Edelstahl 316 bei niedriger Lastspielzahl unter Verwendung eines Modells für maschinelles Lernen.

In diesem Artikel wird die Ermüdungslebensdauer bei niedrigen Lastwechselzyklen von Edelstahl 316 durch maschinelles Lernen vorhergesagt. Basierend auf den gesammelten Literaturdaten werden zunächst die Auswirkungen von Faktoren wie Spannungsintensitätsfaktor, Dehnungsamplitude und Eigenspannung auf die Kurzzeitermüdungslebensdauer von Edelstahl 316 zusammengefasst. Zweitens wurde eine Sensitivitätsanalyse und Vorverarbeitung der gesammelten Daten durchgeführt, um ein Vorhersagemodell mit weniger Fehlern zu gewährleisten. Schließlich wurden Modelle für maschinelles Lernen wie das BP-Neuronale Netzwerk, das durch genetische Algorithmen optimierte BP-Neuronale Netzwerk, die Limit-Learning-Maschine und die Support-Vektor-Maschine etabliert, um die Ermüdungslebensdauer von austenitischem Edelstahl 316 bei niedrigen Lastwechselzyklen vorherzusagen.

Abbildung 123,24,25,26,27,28zeigt den Einfluss des Spannungsintensitätsfaktors auf die Risswachstumsrate bei verschiedenen Temperaturen und Spannungsverhältnissen. Wie aus der Abbildung ersichtlich ist, nimmt die Risswachstumsrate unabhängig davon, ob das Spannungsverhältnis 0,1, 0,3 oder 0,5 beträgt, mit einem Anstieg des Spannungsintensitätsfaktors bei derselben Temperatur zu, die Anstiegsrate variiert jedoch mit der Temperatur.

Der Spannungsintensitätsfaktor beeinflusst die Risswachstumsrate bei verschiedenen Temperaturen unter (a) R = 0,1, (b) R = 0,3, (c) R = 0,5.

Abbildung229,30,31,32,33zeigt typische zyklische Spannungsreaktionskurven für verschiedene Dehnungsamplituden. Es ist ersichtlich, dass die zyklische Charakterisierung des Materials mit der Dehnungsamplitude korreliert. Bei einer niedrigen Dehnungsamplitude (0,2 %) zeigt das Material keine Verhärtung und die Zyklen sind länger als bei anderen Dehnungsamplituden. Wenn die Dehnungsamplitude zunimmt (vor 0,8 %), weist die Reaktion auf den Materialspannungszyklus zwei Phasen auf. Bei hoher Dehnungsamplitude weist die zyklische Reaktion des Materials jedoch drei Phasen auf. Bei einer Dehnungsamplitude von 0,5 % fällt die Spannung stark ab und die Zyklenzahl ist am niedrigsten. Aus den Abbildungen ist ersichtlich, dass mit zunehmender Dehnungsamplitude von 0,2 auf 1,2 % die Zykluszeit allmählich von \({10}^{5}\) auf \({10}^{3}\) abnimmt. Die Verteilung aller Daten ist exponentiell, was typisch für die ε-N-Verteilung (Dehnungszyklus) der Kurzzeitermüdungslebensdauer von rostfreiem Stahl ist.

Die Beziehung zwischen Spannung und zyklischen Zyklen bei unterschiedlichen Dehnungsamplituden.

Eigenspannungen sind die gegenseitig ausgeglichenen inneren Spannungen, die innerhalb des Materials oder Teils herrschen, wenn keine äußeren Kräfte wirken. Die Eigenspannung umfasst die Druckeigenspannung und die Zugeigenspannung. Druckeigenspannungen wirken sich positiv auf die Materialien aus und können die Rissausbreitung wirksam hemmen, während Zugeigenspannungen schädlich für die Materialien sind und so weit wie möglich beseitigt werden sollten. Wenn die Oberflächenbehandlung von Edelstahl 316 durchgeführt wird, kann die Druckeigenspannung erhöht werden. Wenn die Oberflächenbehandlung von Edelstahl 316 fortgesetzt wird, führt die Restdruckspannung zu einer Spannungsrelaxation unter zyklischer Belastung, was zu einer Verringerung oder sogar zum Verschwinden des Effekts der Restdruckspannung auf die Erhöhung der Ermüdungslebensdauer von Materialien führt34.

In diesem Artikel wird die Vorhersage der Ermüdungslebensdauer bei niedrigen Lastwechselzyklen von Edelstahl 316 untersucht. Die drei oben betrachteten Faktoren Risswachstumsrate, durchschnittliche Dehnung und Eigenspannung wurden als Eingabedaten des maschinellen Lernens und die Ermüdungslebensdauer als Ausgabedaten verwendet, um ein Vorhersagemodell für maschinelles Lernen zu erstellen. Die Gesamtzahl der Proben betrug 500 Gruppen23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44 ,45,46,47,48,49,50. Aufgrund der großen Menge an Literaturdaten werden in den Referenzen nur wenige Studien aufgeführt.

Die Sobol51-Methode wurde verwendet, um die Auswirkung verschiedener Eingangsvariablen auf die Ermüdungslebensdauer von Edelstahl 316 im unteren Umfang zu untersuchen. Der Kern des Sobol-Algorithmus besteht darin, die Gesamtvarianz der Zielfunktion in die Varianz eines einzelnen Ziels und mehrerer Zielparameter zu zerlegen.

Das Modell soll als \(u=f\left(x\right)\) ausgedrückt werden, wobei die Modellparameter\(x = x_{1} ,x_{2} , \ldots ,x_{n}\) n sind -dimensionale diskrete Punkte und u ist die Ausgabe52.

Wenn die Funktion\(f\left(x\right)\)produktiv ist und\({x}_{i}\) einer Gleichverteilung in\(\left[0,1\right]\ folgt, dann\( f\left(x\right)\)kann wie folgt ausgedrückt werden:

wobei\(1\le {i}_{1}\ldots <{i}_{s}\le n \left(1\le s\le n\right)\), es gibt\({2}^ {n}\)Terme in der summierten Zahl. Gleichung (1) ist der Ausdruck der Varianzzerlegung der Funktion\(f\left(x\right)\).

Die Gesamtvarianz des Modells kann auch als Kombination zwischen einem Parameter und mehreren anderen Parametern zerlegt werden:

wobeiVar(Y) die Gesamtvarianz des Modells ist;\({Var(Y)}_{i}\)die durch einen Parameter erzeugte Varianz\({x}_{i}\);\({Var( Y)}_{ij}\)ist die Varianz, die durch die Interaktion der Parameter\({x}_{i}\)und\({x}_{j}\) erzeugt wird; und\({Var(Y)}_{\mathrm{1,2},\cdots ,n}\)ist die Varianz, die durch die gemeinsame Aktion vonnParametern erzeugt wird. Durch Normalisierung der obigen Gleichung erhält man die Empfindlichkeit zwischen den Parametern wie folgt:

Dann kann die Vollordnungssensitivität des Modells wie folgt ausgedrückt werden:

Sensitivitätsindex erster Ordnung:\({S}_{i}=\frac{{Var(Y)}_{i}}{Var(Y)}\);

Sensitivitätsindex zweiter Ordnung:\({S}_{ij}=\frac{{Var(Y)}_{ij}}{Var(Y)}\);

Gesamtempfindlichkeitsindex:\({S}_{Ti}=1-\frac{{Var(Y)}_{\sim i}}{Var(Y)}\).

Aufgrund der unterschiedlichen Arten der erhobenen Daten und der unterschiedlichen Größenordnung der Daten sind sie oft diskret. Wenn eine Netzwerkeingabe erfolgt, führt dies zur Vernichtung der Daten und zum Verlust von Informationen. Zur besseren Verallgemeinerung wurden die gesammelten Daten nach folgender Formel53 normalisiert:

wobei\(x\)und\({x}^{\mathrm{^{\prime}}}\)die Werte vor bzw. nach der Datennormalisierung sind;\({x}_{min}\)und\ ({x}_{max}\)sind die minimalen bzw. maximalen Werte innerhalb der gesammelten Beispieldaten.

Die Randperm-Funktion wurde verwendet, um die Probenreihenfolge zu stören. Die Gesamtzahl der Proben betrug 500 Gruppen, 450 Gruppen wurden zufällig als Trainingsdaten ausgewählt und 50 Gruppen wurden als Testdaten verwendet.

Das neuronale Netzwerk BP (Back Propagation) ist das grundlegendste neuronale Netzwerk. Seine Ausgabeergebnisse werden vorwärts propagiert und der Fehler wird rückwärts propagiert. Der Leistungsschwellenwert des neuronalen Netzwerks wird entsprechend dem Vorhersagefehler angepasst. Die Grundeinheit eines neuronalen Netzwerks ist das Neuron, und die Grundarchitektur besteht aus der Eingabeschicht, der verborgenen Schicht und der Ausgabeschicht. Nach dem Satz von Kolmogorov verfügt eine dreischichtige neuronale BP-Netzwerkstruktur über eine solide nichtlineare Abbildungsfähigkeit und kann jede nichtlineare Funktion annähern54.

Da das neuronale BP-Netzwerk die schnellste Gradientenabstiegsmethode zum Erlernen eines künstlichen neuronalen Netzwerks verwendet und die anfänglichen Gewichte und Schwellenwerte des neuronalen BP-Netzwerks zufällig generiert werden, ist es beim Training des BP-Neuronalen leicht, in die optimale lokale Lösung zu gelangen Netzwerk, wodurch der Vorhersagefehler groß und die Generalisierungsfähigkeit des Modells nicht stark ist. Ein genetischer Algorithmus (GA) ist hauptsächlich ein Algorithmus zur globalen Suche und Optimierung, der auf der Simulation des biologischen Evolutionsmechanismus in der Natur basiert, der wiederum das BP-Neuronale Netzwerk im Fall lokal optimaler Bedingungen lösen kann55,56,57,58.Der genetische Der Algorithmus optimiert das Verbindungsgewicht und den Schwellenwert des neuronalen BP-Netzwerks. Der gesamte Vorgang ist in Abb.3 dargestellt.

Der genetische Algorithmus optimiert den neuronalen BP-Netzwerkprozess.

Extreme Learning Machine (ELM) ist ein neuer SLFN-Lernalgorithmus (Single-Hidden-Layer Feedforward Neural Network)59,60. ELM passt die Anzahl der Neuronen in der verborgenen Schicht an, ohne andere Gewichtsschwellenwerte und die verborgene Schicht anzupassen. Im Vergleich zu anderen algorithmischen Modellen bietet ELM die Vorteile eines schnellen Trainings und einer guten Generalisierungsleistung. Es wird heute häufig in den Bereichen Lebensvorhersage, Zuverlässigkeit und Fehlerdiagnose eingesetzt.

Zwei Theoreme wurden von Huang et al.59 vorgeschlagen:

Gegeben seien Q verschiedene Stichproben\(\left({x}_{i},{t}_{i}\right)\), wobei\({x}_{i}={\left[{x}_ {i1},{x}_{i2},\dots {x}_{im}\right]}^{T}\in {R}^{n},{t}_{i}=\left[ {t}_{i1},{t}_{i2},\dots {t}_{im}\right]\in {R}^{m}\)und eine beliebige Intervall-unendlich differenzierbare Aktivierungsfunktiong:\( R\to R\), dann für ein SLFN mit Q Hidden-Layer-Neuronen, mit beliebiger Zuweisung\({w}_{i}\in {R}^{n}\)und\({b}_{i} \in R\), seine Ausgabematrix der verborgenen Schicht ist invertierbar und hat\(\Vert H\beta -{T}^{^{\prime}}\Vert =0\).

Gegeben seien Q verschiedene Stichproben\(\left({x}_{i},{t}_{i}\right)\), wobei\({x}_{i}={\left[{x}_ {i1},{x}_{i2},\dots {x}_{im}\right]}^{T}\in {R}^{n},{t}_{i}=\left[ {t}_{i1},{t}_{i2},\dots {t}_{im}\right]\in {R}^{m}\) und bei jedem kleinen Fehler\(\varepsilon > 0\) und einer beliebigen Intervall-unendlich differenzierbaren Aktivierungsfunktiong:\(R\to R\), existiert immer ein SLFN mit K(K≤Q) verborgenen Schichtneuronen mit\(\Vert {H}_{N\times M }{\beta }_{M\times m}-{T}^{^{\prime}}\Vert <\varepsilon\)für jede Zuweisung\({w}_{i}\in {R}^{ n}\)und\({b}_{i}\in R\).

Die Gewichte und Bias werden vor dem ELM-Training zufällig generiert, sodass zur Berechnung von β nur die Anzahl der Neuronen der verborgenen Schicht und die Aktivierungsfunktion bestimmt werden müssen. Die Schritte sind wie folgt:

Bestimmen Sie die Anzahl der Neuronen in der verborgenen Schicht und legen Sie die Gewichtung und die Vorspannung fest.

Stellen Sie die Aktivierungsfunktion als unendlich differenzierbare Funktion ein und berechnen Sie dann die Ausgabematrix der verborgenen Schicht.

Berechnen Sie die Ausgabeschichtgewichte\(\beta :\widehat{\beta }={H}^{+}{T}^{^{\prime}}\).

Support Vector Machine (SVM) wird häufig bei Klassifizierungs- und nichtlinearen Regressionsproblemen verwendet. Die Hauptidee besteht darin, den maximalen geometrischen Abstand durch Steuerung des Funktionsabstands zu ermitteln, was bedeutet, dass der Funktionsabstand die Einschränkung und der geometrische Abstand die Zielfunktion ist. Die SVM-Algorithmusarchitektur ist in Abb. 4 dargestellt:wobeiK die Kernelfunktion ist und ihre Haupttypen wie folgt sind:

Lineare Kernelfunktion:\(k\left( {x_{i} ,x_{j} } \right) = x_{i}^{T} x_{j}\);

Polynomkernfunktion:\(k\left( {x_{i} ,x_{j} } \right) = \left( {x_{i}^{T} x_{j} } \right)^{d}\ );

Gaußsche Kernelfunktion:\(k\left( {x_{i} ,x_{j} } \right) = \exp \left( { - \frac{{||x_{i} - x_{j} ||^ {2} }}{{2\sigma^{2} }}} \right)\);

Die Laplace-Kernelfunktion:\(k\left( {x_{i} ,x_{j} } \right) = \exp \left( { - \frac{{||x_{i} - x_{j} || }}{\sigma }} \right)\);

Sigmoid-Kernelfunktion:\(k\left( {x_{i} ,x_{j} } \right) = \tanh \left( {\beta x_{i}^{T} x_{j} + \theta } \ Rechts)\).

SVM-Systemstruktur.

Parameter wie die Anzahl der Neuronen der verborgenen Schicht, der Aktivierungsfunktionstyp und der Backpropagation-Algorithmus wirken sich auf die Vorhersageleistung des neuronalen BP-Netzwerks aus. Die Parameter des neuronalen BP-Netzwerks werden gesteuert, 1–20 dimensionale Neuronen werden ausgewählt, die Tansig-Funktion und die Logsin-Funktion werden verglichen, und die Tansig-Funktion hat eine höhere Vorhersagegenauigkeit als die Logsin-Funktion. Der LM-Backpropagation-Algorithmus (Levenberg-Marquardt), der GD-Algorithmus (Gradient Descent) und der GDA-Algorithmus (Gradient Descent with Adaptive Learning Rate) werden verglichen. Es wurde festgestellt, dass der LM-Algorithmus eine höhere Vorhersagegenauigkeit aufweist. Wenn der optimale Neuronenparameter 10 ist, wird die Tansig-Funktion für die Funktion der verborgenen Schicht ausgewählt und der LM-Algorithmus ausgewählt. Das Vorhersageergebnis ist in Abb. 5 dargestellt, und es ist ersichtlich, dass der vorhergesagte Wert im Wesentlichen innerhalb des Fehlerbands von zweimal liegt.

Trainingsergebnisse des neuronalen BP-Netzwerks.

Die Parameter des genetischen Algorithmus wurden wie folgt festgelegt: maxgen = 100, sizepop = 30, pcross = 0,3 und pmutation = 0,1. Die Vorhersagefehler der Teststichprobe der beiden Modelle (50 Gruppen) sind in Abb. 6 dargestellt, aus der hervorgeht, dass das neuronale BP-Netzwerk am stärksten schwankt. Das neuronale GA-BP-Netzwerk schwankt innerhalb eines relativen Fehlers von 2 % und der Trainingseffekt ist besser geeignet als das BP-neuronale Netzwerk.

Die Vorhersagefehler der Teststichprobe der beiden Modelle.

Bei der ELM-Vorhersage ist die richtige Auswahl der Parameter entscheidend für die Vorhersageergebnisse. Die Parameterauswahl von ELM umfasst hauptsächlich die Auswahl von Eingabe- und internen Parametern. Die Eingabeparameter sind hauptsächlich die Auswahl des Datenvolumens, und die internen Parameter sind die Schlüsselfaktoren, die die Vorhersagefähigkeit von ELM beeinflussen. Die internen Parameter sind hauptsächlich die Aktivierungsfunktion und die Anzahl der Neuronen in der verborgenen Schicht; Relativ gesehen ist der Effekt der Aktivierungsfunktion auf ELM geringer als der Effekt der Anzahl der Neuronen in der verborgenen Schicht. Gemäß den Theoremen 1 und 2 gilt: Je mehr Neuronen sich in der verborgenen Schicht befinden, desto wahrscheinlicher ist es, dass SLFN alle Trainingsmuster ohne Fehler annähert, und desto besser sind die Ergebnisse, die durch die ELM-Vorhersage erzielt werden. Wenn jedoch die Anzahl der Neuronen in der verborgenen Schicht groß genug ist, wirkt sich dies auf die Generalisierungsleistung von ELM aus. Wie in Abb. 7 dargestellt, zeigt die Genauigkeit des Testsatzes, dass die Genauigkeit bei einem bestimmten Wert ihren Höhepunkt erreicht, wenn die Anzahl der Neuronen der verborgenen Schicht zunimmt, und dass die Genauigkeit des Trainingssatzes abnimmt, wenn die Anzahl der Neuronen der verborgenen Schicht weiter zunimmt . Daher ist die Auswahl der geeigneten Anzahl von Neuronen der verborgenen Schicht erforderlich, um die optimale Vorhersagegenauigkeit von ELM zu erreichen.

Der Einfluss der Anzahl der Neuronen der verborgenen Schicht auf die Leistung von ELM.

Eine Regressionsanalyse der Ermüdungslebensdauer von Edelstahl 316 im unteren Umfang wurde unter Verwendung der in der Literatur entwickelten Support Vector Machine Toolbox LIBSVM durchgeführt49. Für die Lebensvorhersage wurden zwei Regressionsunterstützungsvektormaschinenmodelle (epsilon-SVR und nu-SVR) ausgewählt, die beide mit Gaußschen Kernelfunktionen auf radialer Basis ausgewählt wurden. Bei der Lösung des Problems mit SVM hat die Auswahl der Parameter erheblichen Einfluss auf die SVM-Vorhersage. Für die beiden oben genannten Regressionsmodelle gibt es Strafkoeffizienten und Kernelfunktionsparameterg. Mit der Kreuzvalidierungsmethode (CV) können ParameterCandg gefunden werden, und mitCandgobtained können Unter- und Überlernzustände vermieden und schließlich eine überlegene Genauigkeit der Datensatzvorhersage erreicht werden. Wie in Abb. 8 gezeigt, ist der StrafkoeffizientC innerhalb der groben Auswahl klein, und der mittlere quadratische Fehler (MSE) der feinen Auswahl weist einen kleineren Fehler auf als der grobe Auswahl. Die besten Parameter werden wie folgt festgelegt: Strafkoeffizient C = 1,4142, Kernelfunktionsparameter g = 1,6245 und Unempfindlichkeitskoeffizient p = 0,01. Diese Parameter werden verwendet, um das Support-Vector-Machine-Vorhersagemodell zu erstellen.

Ergebnis der Parameterauswahl (Grobauswahldiagramm vs. Feinauswahlkarte).

Die Vorhersagegenauigkeit R2 mehrerer Modelle ist in Abb. 9 dargestellt. Es ist ersichtlich, dass das BP-Vorhersagemodell einen schlechten Effekt hat, während das nu-SVR-Vorhersagemodell den besten Effekt hat.

Genauigkeit der Modellvorhersage.

In diesem Artikel werden drei Faktoren erörtert, die die Ermüdungslebensdauer von Edelstahl 316 beeinflussen. Der Einfluss des Spannungsintensitätsfaktors auf die Rissrate bei unterschiedlichen Temperaturen und Spannungsverhältnissen wird im ersten Faktor diskutiert. Der zweite Faktor vergleicht die Beziehung zwischen Dehnungsamplitude und Zykluszeiten. Der dritte Faktor erörtert die Beziehung zwischen Belastungsspannung, Spannungsverhältnis, Zykluszeiten und Eigenspannung.

Um das Problem des großen Fehlers zwischen der herkömmlichen Methode zur Berechnung der Materialermüdungslebensdauer und dem tatsächlichen Wert anzugehen, wurde in diesem Artikel ein auf maschinellem Lernen basierendes Modell zur Vorhersage der Ermüdungslebensdauer bei niedrigen Lastwechselzyklen für Edelstahl 316 erstellt. Das Modell verwendete Risswachstumsrate, durchschnittliche Spannung und Eigenspannung als Eingabedaten und die Ermüdungslebensdauer als Ausgabedaten.

Im Vergleich zu dem in diesem Artikel vorgeschlagenen zentralisierten Modell war der Vorhersageeffekt des neuronalen BP-Netzwerks schlecht. Der Vorhersageeffekt des nu-SVR-Modells war am besten, gefolgt von ELM, und der R2 erreichte 0,945 bzw. 0,936, was den Anforderungen des Projekts entsprach.

Suresh, S. Materialermüdung (II) (National Defence Industry Press, 1999).

Google Scholar

Wang, Y.et al.Ein Modell zur Vorhersage der verbleibenden Lebensdauer von Achsen mit Defekten basierend auf Ermüdungseigenschaften bei niedrigen Lastwechselzyklen.J. Railw.40(11), 27–32 (2018).

Google Scholar

Miner, MA Kumulierter Schaden durch Ermüdung.J. Appl. Mech.12(3), 159–164 (1945).

Artikel Google Scholar

Neuber, H. Theorie der Spannungskonzentration für schubbeanspruchte prismatische Körper mit beliebigem nichtlinearem Spannungs-Dehnungs-Gesetz.J. Appl. Mech.28(4), 544–550 (1961).

Artikel ADS MathSciNet MATH Google Scholar

Molski, K. & Glinka, G. Eine Methode zur Berechnung elastisch-plastischer Spannungen und Dehnungen an einer Kerbwurzel.Mater. Wissenschaft. Eng.50(1), 93–100 (1981).

Artikel CAS Google Scholar

Yao, W. Fatigue Life Analysis of Structures (Defense Industry Press, 2003).

Google Scholar

Tian, L., Luo, Y. & Wang, Y. Optimiertes BP-Neuronales Netzwerk basierend auf einem genetischen Algorithmus für ein Modell zur Vorhersage der WIG-Schweißnahtgröße. J. Shanghai Jiao Tong Universität. 47(11), 1690–1699 (2013).

Google Scholar

Xiong, Y. & Cen, K. Vorhersage der mehrachsigen Ermüdungslebensdauer von Magnesiumlegierungen durch ein neuronales Netzwerk basierend auf der relativen Fehlerquadratsumme.J. Mech. Eng.52(4), 73–81 (2016).

Artikel Google Scholar

Srimant, KM, Anitarani, B. & Krishna, D. Vorhersage der Ermüdungslebensdauer bei niedriger Lastspielzahl von Al-Si-Mg-Legierungen unter Verwendung des Ansatzes eines künstlichen neuronalen Netzwerks.Trans. Indische Inst. Met.69(2), 597–602 (2016).

Artikel Google Scholar

Li, SB & Cao, YQ Anwendung neuronaler Netze bei der Vorhersage der Ermüdungslebensdauer von verrosteten Stahlstangen.J. Shandong Univ. Constr.25(3), 259–262 (2010).

Google Scholar

Yan, C., Hao, Y. & Liu, K. Vorhersage der Materialermüdungslebensdauer basierend auf einem neuronalen BP-Netzwerk, optimiert durch einen genetischen Algorithmus.J. Jilin Univ.44(6), 1710–1715 (2014).

Google Scholar

Liu, Q., Shi, W. & Chen, Z. Vorhersage der Gummiermüdungslebensdauer mithilfe einer Zufallswaldmethode und eines nichtlinearen kumulativen Ermüdungsschadensmodells.J. Appl. Polym. Sci.137(9), 48519 (2020).

Artikel CAS Google Scholar

He, L. et al. Auf maschinellem Lernen basierende Vorhersagen der Ermüdungslebensdauer und der Ermüdungsgrenze für Stähle. J. Mater. Wissenschaft. Technol.90(10), 9–19 (2021).

Artikel Google Scholar

Zhou, N.et al.Genetischer Algorithmus gekoppelt mit dem neuronalen Netzwerk zur Vorhersage der Ermüdungseigenschaften von Schweißverbindungen.J. Comput.7(8), 1887–1894 (2012).

Artikel Google Scholar

Liu, L., Xuan, F., Dong, D. et al. Vorhersage der einachsigen Ermüdungslebensdauer von Materialien basierend auf Support-Vektor-Maschinen. InProceedings of the Cross-Strait Materials Damage/Fracture Conference 2010 und 10th Damage Science Symposium/Eighth National MTS Materials Testing Conference934–939 (2010).

Zhan, Z., Gao, T., Liu, C. et al. Datengesteuerte Ermüdungslebensdauervorhersage additiv gefertigter Aluminiumlegierungen.J. Solider Mech. 1–17. https://doi.org/10.19636/j.cnki.cjsm42-1250/o3.2022.045 (2022).

Gao, L., Du, Y. & Lu, J. Eine Einführung in maschinelles Lernen. Besetzung. Ausrüsten. Process.23(6), 41–43 (2021).

Google Scholar

Pei, H.et al.Eine Übersicht über auf maschinellem Lernen basierende Methoden zur Vorhersage der verbleibenden Lebensdauer von Geräten.J. Mech. Eng.55(8), 1–13 (2019).

Artikel Google Scholar

Li, Z.et al.Ermüdungslebensdauervorhersage der Kurbelwelle basierend auf der Optimierung genetischer Algorithmen für neuronale Netze.J. North Central Univ.37(4), 401–406 (2016).

MathSciNet CAS Google Scholar

Dong, Y. et al. Kriechermüdungsexperiment und Lebensdauervorhersagestudie der Aluminiumlegierung 2A80 des Kolbens. Materialien14(6), 1403–1423 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Zhang, X., Gong, J. & Xuan, F. Vorhersagemethode der Kriechbruchlebensdauer basierend auf maschinellem Lernen.Presse. Schiff38(7), 48–57 (2021).

Google Scholar

Su, K.et al.Vorhersage der Ermüdungslebensdauer und des Restspannungsrelaxationsverhaltens der kugelgestrahlten 25CrMo-Legierung basierend auf einem neuronalen Netzwerk.Seltenes Metallmaterial. Eng.49(8), 2697–2705 (2020).

CAS Google Scholar

Jin, D. et al. Charakterisierung und Ermüdungslebensdauervorhersage von 316L-Edelstahl ohne Masing. China Mech. Eng.31(24), 2931 (2020).

Google Scholar

Nasir, V. & Sassani, F. Ein Überblick über Deep Learning in der Bearbeitung und Werkzeugüberwachung: Methoden, Chancen und Herausforderungen.Int. J. Adv. Hersteller Technol.115(9), 2683–2709 (2021).

Artikel Google Scholar

Jain, A.et al.Kommentar: Das Materialprojekt: Ein Materialgenom-Ansatz zur Beschleunigung der Materialinnovation.APL Mater.1(1), 011002 (2013).

Artikel ADS Google Scholar

Zhou, T., Song, Z. & Sundmacher, K. Big Data schafft neue Möglichkeiten für die Materialforschung: Ein Überblick über Methoden und Anwendungen des maschinellen Lernens für das Materialdesign.Engineering5(6), 1017–1026 (2019).

Artikel CAS Google Scholar

Babu, MN & Sasikala, G. Einfluss der Temperatur auf das Ermüdungsrisswachstumsverhalten von SS316L(N).Int. J. Fatigue140, 105815 (2020).

Artikel CAS Google Scholar

Zhang, J. & Ma, Y. Vergleich von drei Modellen der Ausdehnungsrate von Ermüdungsrissen.Labor. Res. Explor.31(8), 35–38 (2012).

Google Scholar

Jin, D., Li, J. & Tian, D. Zeitliche Analyse der dynamischen Belastung bei einachsiger Ermüdung von Edelstahl 316L.J. Mater. Res.30(7), 496–502 (2016).

CAS Google Scholar

Chen, L. et al. Studie über die Ermüdungsleistung von Edelstahl 316 im geringen Umfang bei Raumtemperatur und 350 °C. Nucl. Power Eng.38(3), 51–55 (2017).

Google Scholar

Chen, Z.et al.Mechanische Eigenschaften von 316N-Edelstahl unter variabler Amplitudenbelastung.Metallwärmebehandlung.43(4), 230–234 (2018).

CAS Google Scholar

Mehrabi, H. & Shariati, M. Energiebasierte Vorhersage der Ermüdungslebensdauer bei niedriger Lastspielzahl von CK45-Stahl und SS316-Edelstahl.J. Solid Mech.6(3), 278–288 (2014).

Google Scholar

Poonguzhali, A., Ningshen, S. & Amarendra, G. Korrosionsermüdungsrissinitiierung von Schweißkonstruktionen vom Typ 316N unter dem Einfluss der zyklischen Spannungsamplitude.Met. Mater. Int.26(10), 1545–1554 (2020).

Artikel CAS Google Scholar

Kim, JC, Cheong, SK & Noguchi, H. Restspannungsrelaxation und Ermüdungsverhalten bei niedrigen und hohen Lastwechselzyklen von kugelgestrahltem Stahl mit mittlerem Kohlenstoffgehalt.Int. J. Fatigue56(11), 114–122 (2013).

Artikel CAS Google Scholar

Abarkan, I.et al.Numerische und analytische Studien zum Ermüdungsverhalten bei niedriger Lastspielzahl von austenitischem Edelstahl 316 LN.J. Drücken Sie. Schiffstechnologie 144(6), 061507 (2022).

Artikel CAS Google Scholar

Goyal, S.et al.Eine vergleichende Bewertung des Ermüdungsverformungsverhaltens von 316 LN SS bei Umgebungstemperatur und hoher Temperatur.Mater. Wissenschaft. Ing. A696(1), 407–415 (2017).

Artikel CAS Google Scholar

Lewis, SRet al.Umfassende Prüfung von laserbeschichteten Eisenbahnschienen; Fallstudie – Tests auf Verschleiß, Biegeermüdung und Integrität der isolierten Blockverbindung.Wear376, 1930–1937 (2017).

Artikel Google Scholar

Xu, W.et al.Rezension: Zusammenhang zwischen geeigneter Austenitorganisation und Ermüdungseigenschaften in Stahl.J. Metals56(4), 459–475 (2020).

CAS Google Scholar

Lv, X.et al.Ermüdungsrissausdehnung in gegossenen austenitischen Edelstählen.J. Ing. Sci.37(1), 57–63 (2015).

Google Scholar

Sasikala, G. & Babu, MN Ermüdungsrisswachstumsverhalten ferritischer und austenitischer Stähle bei erhöhten Temperaturen.Mol. BioSyst.3(2), 182–209 (2014).

Google Scholar

Ye, D.et al.Die Ermüdung, Verformung und das endgültige Bruchverhalten eines austenitischen rostfreien Stahls bei niedriger Lastspielzahl.Mater. Wissenschaft. Ing. A415(1), 104–117 (2006).

Artikel Google Scholar

Tan, J.et al.Finite-Elemente-Analyse der zyklischen Eigenschaften und Ermüdungslebensdauervorhersage von 316L-Edelstahl.Mech. Strength39(2), 307–310 (2017).

Google Scholar

Zhong, W.et al.Studie über das Ermüdungsverhalten von rostfreiem Edelstahl 316LN bei Raumtemperatur bei niedrigen Lastzyklen.Therm. Verfahren. Technol.46(8), 66–68 (2017).

Google Scholar

Yuan, X. Untersuchung des zyklischen Verformungsverhaltens und der Ermüdungseigenschaften von geschmiedetem austenitischem Edelstahl 316LN. Tianjin-Universität (2017).

Dutta, A., Dhar, S. & Acharyya, S. Materialcharakterisierung von SS 316 bei Ermüdungsbelastungen bei niedrigen Lastwechselzyklen.J. Mater. Sci.45(7), 1782–1789 (2010).

Artikel ADS CAS Google Scholar

Agrawal, R. et al. Ermüdungsverhalten bei niedriger Lastspielzahl von Edelstahl 316 LN bei Vorhandensein einer Kerbe. Trans. Indische Inst. Met.69(2), 457–461 (2016).

Artikel Google Scholar

Maleki, E., Unal, O. & Kashyzadeh, KR Vorhersage und Analyse des Ermüdungsverhaltens von kugelgestrahlten Weichkohlenstoffstählen.Int. J. Fatigue116, 48–67 (2018).

Artikel CAS Google Scholar

Peng, J.et al.Ermüdung und zyklisches plastisches Verhalten von austenitischem Edelstahl 316L unter asymmetrischer Belastung.J. Met.55(6), 773–782 (2019).

CAS Google Scholar

Liu, K. Einfluss der Dehnungsamplitude auf die geringe Umfangsermüdungsleistung von Edelstahl 316 mit einer metamorphen Schicht. Zhengzhou-Universität (2019).

Roland, T.et al.Verbesserung der Ermüdungslebensdauer durch Oberflächen-Nanostrukturierung von rostfreiem Stahl mittels oberflächenmechanischer Abriebbehandlung.Scr. Mater.54(11), 1949–1954 (2006).

Artikel CAS Google Scholar

Saltelli, A. & Sobol', IM Sensitivitätsanalyse für nichtlineare mathematische Modelle: Numerische Erfahrung.Mat. Model.7(11), 16–28 (1995).

MathSciNet MATH Google Scholar

Chang, X.et al.Sensitivitätsanalyse von SWMM-Modellparametern basierend auf der Sobol-Methode.J. Wasserkraft37(3), 10 (2018).

Google Scholar

Wu, Q. Vorhersagestudie zu mechanischen Eigenschaften von mikrolegiertem Stahl, basierend auf Daten. Wuhan Universität für Wissenschaft und Technologie (2019).

Xiang, KL, Xiang, PY & Wu, YP Vorhersage der Ermüdungslebensdauer von Naturkautschuk-Verbundwerkstoffen durch Ansätze künstlicher neuronaler Netze.Mater. Des.57, 180–185 (2014).

Artikel CAS Google Scholar

Zhao, C.et al.Optimierung von TC4-Materialprozessparametern basierend auf einem genetischen neuronalen Netzwerkalgorithmus für das Mahlen magnetischer Partikel.Surf. Technol.49(2), 316–321 (2020).

Google Scholar

Ma, LM, Li, DF & Guo, HX BP-Neuronales Netzwerk basierend auf einem genetischen Algorithmus, der bei der Rohölproduktionsprognose angewendet wird: Am Beispiel des BED-Testgebiets des Daqing-Ölfelds.Mathematik. Üben. Theorie45(24), 117–128 (2015).

Google Scholar

Zhang, Z., Zhang, Y. & Chen, S. Genetisches BP-Neuronales Netzwerk-basiertes Temperaturmodell für Rührreibschweißen. Therm. Verfahren. Technol. 49(3), 142–145 (2020).

ADS CAS Google Scholar

Ren, X. Optimierungsstudie des neuronalen BP-Netzwerks basierend auf genetischem Algorithmus und MATLAB-Simulation. Tianjin Normal University (2014).

Huang, GB, Zhu, QY & Siew, CK Extreme Lernmaschine: Ein neues Lernschema für vorwärtsgerichtete neuronale Netze. Im Jahr 2004 IEEE International Joint Conference on Neural Networks, Bd. 2 985–990 (IEEE, 2004).

Chang, CC & Lin, CJ LIBSVM: Eine Bibliothek für Support-Vektor-Maschinen.ACM Trans. Intel. Syst. Technol.2(3), 27–28 (2007).

ADS Google Scholar

Referenzen herunterladen

Fakultät für Maschinenbau und Elektrotechnik, Lanzhou University of Technology, Lanzhou, 730050, China

Hongyan Duan, Mengjie Cao, Lin Liu, Shunqiang Yue, Hong He, Yingjian Zhao, Zengwang Zhang und Yang liu

Wenzhou Engineering Institute of Pump&Valve, Lanzhou University of Technology, Lanzhou, China

Hongyan Duan

Sie können diesen Autor auch in PubMed Google Scholar suchen

HD und MC verfassten den Haupttext des Manuskripts, LL und SY sammelten Literatur und Daten, HH und YZ erstellten die Abbildungen 1,2,3,4 und 5 und ZZ und YL erstellten die Abbildungen 6,7 und 8. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Hongyan Duan.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Duan, H., Cao, M., Liu, L. et al. Vorhersage der Ermüdungslebensdauer von Edelstahl 316 bei niedrigen Lastwechselzyklen basierend auf maschinellem Lernen. Sci Rep 13, 6753 (2023). https://doi.org/10.1038/s41598-023-33354-1

Zitat herunterladen

Eingegangen: 28. Dezember 2022

Angenommen: 12. April 2023

Veröffentlicht: 25. April 2023

DOI: https://doi.org/10.1038/s41598-023-33354-1

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Blog