基于機器學習方法的增材制造Ti-6Al-4V樣品疲勞壽命預(yù)測建模

來源：結(jié)構(gòu)完整性聯(lián)盟

對于增材制造（AM）部件中的缺陷,，無損檢測可以在構(gòu)件破壞之前對材料內(nèi)部的缺陷進行定量化的測量。其中X射線顯微計算機斷層掃描技術(shù)(X-ray micro-computed tomography)非常適用于評估致密的增材制造鈦合金部件,，并提供內(nèi)部缺陷在材料體積中的三維空間分布,。

針對材料內(nèi)部缺陷引起過早失效的問題,，已有不少學者將缺陷特征參數(shù)關(guān)聯(lián)鈦合金高周疲勞壽命，構(gòu)建出了一系列的半經(jīng)驗壽命預(yù)測公式,，以達到壽命預(yù)測的目的,。并且還有部分學者通過擴展有限元的方法，模擬含缺陷鈦合金的裂紋擴展行為,。但是這些半經(jīng)驗壽命預(yù)測模型和方法無一例外都需要大量的數(shù)據(jù)和時間來完善它們的效果。在本文工作中,，引入基于機器學習（ML）的方法來量化X射線顯微計算機斷層掃描技術(shù)檢測到的缺陷的影響,，并對特定應(yīng)力幅下的增材制造Ti-6Al-4V的疲勞壽命進行預(yù)測。同時對人工神經(jīng)網(wǎng)絡(luò)（ANN）,、隨機森林回歸（RFR）和支持向量回歸（SVR）三種模型進行了對比和優(yōu)化,。通過使用留一法交叉驗證（LOOCV）方式調(diào)整超參數(shù)來對訓(xùn)練集進行優(yōu)化，并驗證優(yōu)化后模型預(yù)測的準確性,。

成果介紹
（1）在偽隨機選擇的20個樣本上訓(xùn)練機器學習模型,，然后在剩余的9個樣本上測試機器學習模型。通過Spearman秩相關(guān)性分析排除了不敏感的輸入特征,，提高了機器學習模型的效率和準確性,。圖1為機器學習方法預(yù)測疲勞壽命的基本流程。式1為Spearman秩相關(guān)系數(shù)計算公式,。

圖1 疲勞壽命預(yù)測機器學習建模流程框架

（2）為了實現(xiàn)ML模型的最高預(yù)測精度,，使用LOOCV方法調(diào)整超參數(shù)。當平均絕對百分比誤差(MAPE)最小時,，假定此時模型為優(yōu)化后的模型,。比較人工神經(jīng)網(wǎng)絡(luò)（ANN）、隨機森林回歸（RFR）和支持向量回歸（SVR）三種模型,，其中人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度最高,，預(yù)測結(jié)果的R2 = 0.848和平均絕對百分比誤差MAPE = 2.980%。圖2是優(yōu)化后的三種機器學習模型預(yù)測疲勞壽命效果對比,。

圖2 三種機器學習模型預(yù)測疲勞壽命效果對比