[发明专利]一种数据-模型互驱动的TiAl合金疲劳寿命预测方法

说明书

本发明提供了一种数据‑模型互驱动的TiAl合金疲劳寿命预测方法。本发明结合模型驱动对单一工况疲劳寿命的精确预测能力和数据驱动对多工况疲劳寿命的泛化能力，建立了TiAl合金疲劳寿命在小样本、多工况下的准确预测模型。本发明首先通过模型驱动对各工况小样本疲劳寿命试验数据进行理论建模，再根据理论模型插值得到大量多工况数据，并使用机器学习对获得的数据进行挖掘学习，得到准确且有泛化能力的TiAl合金疲劳寿命预测模型。本发明弥补了传统方法在预测TiAl合金疲劳寿命时只能在特定加载角度和温度预测疲劳寿命的不足，具有样本小，精度高，泛化能力强的优点。

技术领域

本发明涉及一种数据-模型互驱动的TiAl合金疲劳寿命预测方法，属于材料疲劳寿命预测领域。

背景技术

TiAl合金具有优异的抗蠕变、抗氧化能力和较高的比强度，是一种颇具应用潜力的轻质耐热高温结构材料。TiAl合金片层组织微观上力学性能具有较大的各向异性，其中疲劳裂纹的萌生和扩展的抗力是随机的，导致其在不同加载角度下和温度下的疲劳寿命表现出明显的差异。

虽然TiAl合金疲劳寿命可以通过实验方法测定，再通过理论模型进行寿命预测，但试验成本高，往往只能获得小样本数据，这也使得传统的模型预测方法只能在单一工况下进行预测。

近年来，基于数据科学的机器学习方法已经越来越多的应用于材料性能预测和新材料的研发等领域，并在预测效率和成本控制方面有显著优势。但是，机器学习需要大量可靠数据集供其挖掘学习，而疲劳数据往往只能获得小样本数据，导致基于数据驱动的疲劳寿命预测方法精度有限。基于以上原因迫切需要开发一种针对小样本、多工况的准确疲劳寿命预测方法。

发明内容

本发明的目的在于提供一种数据-模型互驱动的TiAl合金疲劳寿命预测方法，以实现小样本、低成本、高精度准确预测TiAl合金的疲劳寿命。

为了实现上述目的，本发明提供一种数据-模型互驱动的TiAl合金疲劳寿命预测方法，具体包括以下步骤：

步骤一：获取TiAl合金工况条件和疲劳寿命原始数据集；

步骤二：建立理论模型，根据理论模型对步骤一原始数据集进行数据处理得到标准数据集；

步骤三：构建随机森林模型，对步骤二所述标准数据集进行训练，测试最佳的参数组合，得到疲劳寿命预测模型；

步骤四：对步骤三所述疲劳寿命预测模型输入待预测的TiAl合金工况条件，得到TiAl合金疲劳寿命预测值。

较佳的，步骤一中，获取TiAl合金工况条件，该工况条件包括加载角度，温度，应力。

较佳的，步骤二中，建立理论模型，该理论模型为lgN＝a+bS，其中，a、b为常数，N为疲劳寿命，S为应力。

较佳的，步骤二中，对原始数据集进行插值处理得到标准数据集。

较佳的，步骤三中，构建的随机森林模型的参数组合包含决策树的数量、决策树最大深度和决策树最大特征数。

较佳的，步骤三中，采用交叉验证法测试最佳的参数组合，具体步骤如下：

将标准数据集随机平均划分为十份，分别命名为D₁,D₂,…,D_i，i＝1,2,…,10，将D₁作为验证集，其余九份作为训练集训练随机森林模型，采用决定系数R₁²和均方根误差RMSE₁评估该模型准确率；将D₂作为验证集，其余九份作为训练集训练随机森林模型，采用决定系数R₂²和均方根误差RMSE₂评估该模型准确率；以此类推，按上述训练和评估步骤，分别得到D_i作为验证集时该模型准确率，平均后得到该模型的总准确率，