基于圖神經網絡的深度學習方法的鈦合金材料高周疲勞壽命預測

朱思銚，張悅，朱北辰，張嘉銘，何玉懷，許巍*

中國航發北京航空材料研究院，北京100095

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、循環應力、楊氏模量、抗拉強度、試樣尺寸及形狀等等。傳統的物理模型只考慮了上述部分因素，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欠佳。深度學習作為一種強有力的工具，能夠從龐大的數據集中發掘潛在關系，研究深度學習在疲勞壽命預測中的應用具有重要意義。

本團隊在前期工作中，利用機器學習方法Auto Gluon并基于大量的高周疲勞數據對鈦合金TC17的疲勞壽命做出了準確預測(見Eng. Fract. Mech., 2023, 289: 109485)。而在實際工程中獲取大量疲勞試驗數據并非易事，如何基于有限的數據量做出相對準確的預測值得進一步研究。故團隊提出了新的基于深度學習的疲勞壽命預測方法，有效減少機器學習方法應用對所需數據量的依賴。

本研究基于注意力機制和“圖”數據結構建立深度學習方法Multi-GAT，其整體框架如圖1所示，充分考慮輸入數據特征以及樣本之間的關系，有效降低深度學習訓練所需數據量。利用521組不同牌號鈦合金高周疲勞數據訓練深度學習方法Multi-GAT，并利用訓練好的深度學習模型基于輸入特征(溫度、循環應力、應力比、應力集中系數、抗拉強度等)同時預測6種鈦合金(TA11、TA12、TA19、TC4、ZTC4 和 TC17)的高周疲勞壽命，如圖2(a)所示。將深度學習方法的預測精度與經過1690組疲勞數據訓練的機器學習方法Auto Gluon的預測精度(圖2 (b))進行比較，以驗證該深度學習方法的預測能力。結果表明訓練數據量下降了67.2%，而預測精度僅僅下降了1.6%。為進一步探究深度學習方法預測特定材料疲勞壽命的能力，利用深度學習方法針對特定材料的疲勞壽命進行預測。結果表明，相較于機器學習方法AG而言，深度學習方法Multi-GAT能夠更穩定的高精度預測材料疲勞壽命。

圖1  深度學習算法Multi-GAT整體框架示意圖

(a)

(b)

圖2 深度學習算法同時針對6種不同鈦合金的高周疲勞壽命預測結果：(a) Multi-GAT預測結果；(b) Auto Gluon 預測結果

本研究建立的深度學習方法Multi-GAT, 能夠有效降低了機器學習預測所需疲勞數據量，并準確預測多種鈦合金材料的疲勞壽命，為機器學習在疲勞領域的廣泛應用提供方法支撐。

上述研究已經發表在Int. J. Fatigue, 2024, 182: 108206。第一作者為航材院碩士研究生朱思銚，后續研究仍在開展中，歡迎同行關注指正，通訊作者：wxu621@163.com(許巍研究員)。