南航顶刊丨机器学习预测基于工艺-微观结构-载荷的增材制造金属的疲劳性能

摘要

本文综述了机器学习在预测增材制造材料疲劳性能方面的最新进展。增材制造材料的疲劳性能受多种因素影响，传统评估方法成本高、效率低。近年来，机器学习方法成为预测疲劳性能的有效途径，通过纳入加工工艺、微观结构、载荷参数等因素，建立模型以预测疲劳寿命和裂纹扩展速率。文中介绍了多种机器学习模型，如前馈神经网络、卷积神经网络等，并探讨了其应用、挑战和潜在解决方案。特别是，物理信息神经网络因考虑物理特性而备受关注。未来工作将聚焦于处理小数据集、优化特征选择、避免过拟合等问题，以提高预测准确性和实用性。

正文       

引用格式:M. Yi, M. Xue, P. Cong, Y. Song, H. Zhang, L. Wang, L. Zhou, Y. Li, W. Guo. Machine learning for predicting fatigue properties of additively manufactured materials[J]. Chinese Journal of Aeronautics, 2024, 37(4): 1–22.

         

对于六类机器学习方法，该综述简要介绍了机器学习的基本知识及其在增材制造和不同后处理技术下预测材料 (如钛合金、不锈钢、镁合金、镍基合金等) 疲劳性能方面的具体应用。限于篇幅原因，本文仅给出其中一种机器学习模型的应用案例，如图2所示。

         

         

         

         

         

论文主要结论及展望如下：

（1）ML模型的一个明显缺点是训练模型需要大量的数据。为了处理小数据集问题，潜在的方法包括数据增强（变分自编码器、对抗自编码器）和基于物理模型的数据生成（有限元模拟）等。            

（2）为ML模型选择一组好的特征对于获得良好的预测性能至关重要。一方面，特征选择的原则取决于研究人员对增材制造技术和增材制造材料的经验和知识；另一方面，一些机器学习算法可以评估不同特征及其组合的重要性，在对AM及其诱导的微观结构缺乏经验或知识的情况下为特征筛选提供指导。

（3）过拟合会导致预测疲劳寿命不合理。为避免过拟合，可以选择正则化、早停、和dropout等技术。

（4）增强预测增材制造材料疲劳性能的ML模型可解释性仍有待探索。一些物理知识可以被设计成ML模型的损失函数或参数，从而对增材制造材料的疲劳性能进行可解释的预测。

（5）未能实现从增材制造材料疲劳数据扩展到机器学习模型的结构寿命设计。整合机器学习策略、结构寿命设计经验和标准、数值模拟应力/应变分析以及新开发的裂纹扩展预测方法，将增材制造材料的疲劳数据扩展到结构寿命设计中，仍是一个有待探索的问题。