基于物理信息神经网络的疲劳裂纹寿命预测方法及系统
知识产权简介
本发明公开了一种基于物理信息神经网络的疲劳裂纹寿命预测方法，主要解决了现有的纯数据驱动寿命预测的过程中对数据样本数需求量过大、有限元计算过于耗时等问题。本发明提出了一种将物理信息嵌入神经网络的方法，将断裂力学中的经典数学模型融入深度学习网络，实现了神经网络的可解释性与小样本下精确地疲劳寿命预测能力。本发明通过有限元分析，得到了不同工况下的疲劳裂纹扩展寿命，将数据进行预处理后构建训练数据集，通过所提出的新型物理信息神经网络建立裂纹长度a与疲劳寿命N的非线性映射关系，实现对疲劳裂纹扩展寿命的准确预测与几何参数的辨识。本发明提出的预测方法能够裂纹扩展的早期（前20%），即可实现剩余寿命的高效预测。
转化前景
本发明公开了一种基于物理信息神经网络的疲劳裂纹寿命预测方法，主要用于在裂纹的早期阶段对复杂结构裂纹扩展寿命准确预测。本发明的目的在于提供一个高效快速和可靠的解决方案，进而解决现有方法耗时、准确度低等问题。 一种基于物理信息神经网络的疲劳裂纹寿命预测方法，将物理损失引入机器学习的损失函数中，并将几何参数作为一个可训练的变量一并输入机器学习框架中，可以在数据稀缺和缺乏几何参数真值的情况下，实现快速、准确的疲劳寿命预测。 与现有技术相比，本发明有以下优点： 1、 极高的数据效率：仅需利用全寿命周期的早期（前20%）数据，即可实现对剩余80%寿命的高精度外推，解决了工程中长试数据获取难的问题； 2、几何参数的反向求解：无需预先知道准确的几何修正系数，模型能在训练中自动反解出该参数，且误差小于10%，具有物理可解释性； 3、求解效率提高：相较于传统有限元方法，提出的物理信息神经网络能够提高求解速度，极大地缩短计算时间。