基于多算法集成機器學習方法的鈦合金材料高周疲勞壽命預測

高周疲勞是航空發動機動部件的主要破壞模式之一，準確預測材料高周疲勞壽命能夠為發動機設計提供重要參考。材料的高周疲勞壽命受多種因素影響，包括：溫度、施加應力、應力比等實驗條件；楊氏模量、抗拉強度等力學性能以及試樣尺寸、形狀等試樣屬性等等。傳統的物理模型只考慮了上述中的部分因素，隨著考慮因素的增多，數據量的增大，傳統物理模型的構建變得愈發困難且疲勞壽命預測表現不佳。機器學習作為一種強有力的工具，能夠從龐大的數據中發掘潛在關系，研究機器學習在疲勞壽命預測中的應用有著重要意義。

目前，機器學習在疲勞領域中的應用的相關研究中，高周疲勞數據集普遍偏小，且數據的主要來源的不確定性大。相關機器學習算法的訓練過程復雜，且考慮的因素較少。本文引入Auto Gluon（AG）機器學習算法，在2492個TC17鈦合金高周疲勞實驗數據的基礎上進行疲勞壽命預測。考慮的因素有溫度、應力比、抗拉強度、斷裂韌性、楊氏模量、應力集中系數、施加應力以及取樣位置共8個因素。基于本團隊前期測得的2492個TC17鈦合金高周疲勞試驗數據開展機器學習模型預測。為驗證AG算法的預測精確度，在本研究中將AG的預測精度與常用的機器學習算法隨機森林（RF）和支持向量機（SVR）的結果進行了對比。研究表明AG的預測精度優于隨機森林和支持向量機的預測精度，超過90%的數據點位于±3倍分散帶以內，決定系數R²可達89.6%（圖2）。對于確定條件下S-N曲線的預測，AG的預測結果與三參數模型的擬合結果十分接近。

圖1  Auto Gluon 自動機器學習框架原理圖

此外，基于提出的機器學習模型開展了TC17鈦合金材料高周疲勞壽命的影響因素分析。結果表明影響高周疲勞壽命的因素大致分為三類：試件的屬性（取樣位置，應力集中系數），加載條件（溫度，施加應力，應力比）和材料基本性能（抗拉強度，斷裂韌性，楊氏模量）。其中，試件的屬性對于材料的疲勞壽命影響最大，隨后分別是加載條件和材料基本性能（圖3）。

本文驗證了基于多算法集成的機器學習方法在材料疲勞性能預測方面的準確性，進一步闡明了影響材料疲勞壽命的關鍵因素，為基于數據驅動的疲勞性能預測提供了新的方法支撐。