基于物理信息神经网络的热机械疲劳寿命预测方法和系统

  • 国民经济行业:制造业/通用设备制造业/金属加工机械制造/铸造机械制造
  • 学科类别:机械工程/机械制造自动化/机械制造自动化其他学科
  • 权利人:上海交通大学

知识产权简介

1)本发明涉及一种基于物理信息神经网络预测金属疲劳寿命的方法,包括以下步骤:1)基于金属热机械疲劳数据,并从中提取总应变能与滞回能作为表征损伤的物理特征;2)构建一个以前述物理特征为输入、疲劳寿命为输出的前馈神经网络,并定义一个融合了数据拟合误差、模型复杂度惩罚与物理规律约束的复合损失函数;3)采用贝叶斯优化算法对所述神经网络的关键超参数进行自动寻优,以确定最佳模型结构;4)利用自适应矩估计优化器,以最小化所述复合损失函数为目标,使用训练集数据对优化后的模型进行训练;5)将训练完成的模型用于预测新工况下材料的热机械疲劳寿命。与现有技术相比,本发明提出了一种高效、高精度且物理可解释的热机械疲劳寿命预测方法。本方法选用与损伤直接相关的应变能特征,替代缺乏物理解释的统计特征,增强了模型外推的物理可信度;通过损失函数嵌入“寿命随能耗增加而下降”的单调性约束,强制模型学习本质规律;采用贝叶斯优化自动寻优超参数,确保模型性能最优;复合损失函数平衡了预测精度、模型泛化能力与物理一致性。该方法为在有限数据下实现高精度、高可靠的疲劳寿命预测提供了系统解决方案。

转化前景

本专利旨在开发一款基于物理信息神经网络的热机械疲劳寿命智能化预测模型,该产品通过将热机械疲劳损伤的物理控制方程作为先验知识嵌入神经网络,突破了传统“黑箱”模型的局限,具备强物理可解释性、卓越的小样本学习与泛化能力,并实现了超参数的智能化寻优,能够在数据有限的情况下精准刻画温度、应力、应变等多场耦合效应,将寿命预测误差控制在±15%以内;该软件可集成于CAD/CAE/CAM工业软件系统中,为模具设计与制造、汽车一体压铸、航空航天热成形等领域提供高精度仿真工具,支持模具的全生命周期管理与预测性维护,有望显著提升高端热作模具的研发效率与服役可靠性,加速新材料工艺的落地应用。

基本信息

权利人 上海交通大学
知识产权类型 专利
意向合作模式
预估金额
联系合作