近门槛值区疲劳裂纹扩展行为的神经网络预测方法

樊子枫，朱明亮，轩福贞

(华东理工大学 机械与动力工程学院，上海 200237)

0 引言

疲劳裂纹扩展作为评价疲劳与断裂性能的关键指标，在结构寿命预测和制造工艺优化中发挥着重要作用。基于线弹性断裂力学理论，人们发现疲劳裂纹扩展过程中，裂纹扩展速率da/dN与应力强度因子范围ΔK并不是线性关系，并定义了疲劳裂纹扩展门槛值ΔKth作为裂纹是否扩展的依据，它反映了材料抵抗疲劳裂纹扩展的能力。进一步地，人们研究应力比对近门槛值区疲劳裂纹扩展行为的影响，提出了裂纹闭合、裂纹扩展驱动力等多种理论模型。近年来，SAMUEL等[1]将指数平均应力模型与裂纹闭合模型相结合，通过修正裂纹闭合关系建立了统一的疲劳裂纹扩展理论模型。然而，基于物理机制的拟合方法在很大程度上依赖于已有试验数据，不能完全反映模型参数的内在关联，而人工神经网络方法具有较好学习和泛化能力[2]。若能通过两者的结合建立预测方法，将有力解决近门槛值区疲劳裂纹扩展数据难获取、预测精度低的问题。

MOHANTY等[3-4]运用神经网络方法预测了铝合金在应力比R为0,0.2,0.4,0.6,0.7,0.8时的裂纹扩展速率，结果表明，当R在训练范围以外时，预测结果较差，进一步通过遗传规划和指数法平滑减少计算时间，可提高预测精度。WANG等[5]研究认为极限学习机算法在精度和效率方面优于径向基神经网络和反向传播优化的基因算法。YASNII等[6]对神经网络、增强树、随机森林、支持向量机和k近邻5种机器学习算法进行测试，结果表明神经网络方法的预测误差最小。……