研究背景
7050铝合金广泛应用于航空航天，但高温蠕变会导致其损伤。准确预测蠕变断裂寿命至关重要。传统的蠕变寿命预测方法在预测精度和可靠性方面存在不足。由于可用的蠕变样本数据稀缺且分散，限制了机器学习方法的应用。此外，生成对抗网络（GAN）常用于数据增强，但在小样本情况下容易出现“模式崩溃”现象。
研究方法
为了解决上述问题，华东理工大学颜建军和轩福贞教授团队提出了一种名为AP-GAN-DNN的蠕变断裂寿命预测方法，该方法结合了近邻传播 (AP) 聚类算法、GAN和深度神经网络 (DNN)，能够在小样本情况下更准确地预测蠕变断裂寿命。
AP聚类算法为每个聚类训练独立的GAN模型，并生成与真实数据高度相似的人工合成数据。最后，使用合成数据训练DNN模型，并使用真实的蠕变断裂寿命数据进行预测。
图1. 基于AP-GAN-DNN的蠕变寿命预测算法流程图
研究亮点
所提出的AP-GAN-DNN方法能够在小样本情况下更准确地预测蠕变断裂寿命，解决了预测蠕变断裂寿命的复杂非线性问题和试验数据分散的问题。
与传统的物理方法和机器学习模型相比，AP-GAN-DNN模型在蠕变断裂寿命预测方面具有更好的泛化能力和鲁棒性。
AP-GAN数据增强方法可以显著减少GAN的“模式崩溃”效应，提高预测算法的性能。
图2. AP-GAN-DNN模型与Larson-Miller模型预测结果的比较
研究意义
提出的AP-GAN-DNN方法为小样本情况下采用机器学习算法预测蠕变断裂寿命提供了一种新思路。
J. Yan, J. Zhou, J. Zhang, P. Zhao, Z. Zhang, W. Wang, F. Xuan, AP-GAN-DNN based creep fracture life prediction for 7050 aluminum alloy, Engineering Fracture Mechanics 303 (2024) 110096. https://doi.org/10.1016/j.engfracmech.2024.110096.
往期机器学习预测蠕变
JMRT | 利用软约束机器学习算法评估预测多种高温不锈钢的蠕变寿命
JMRT | 利用软约束机器学习算法模型预测Sanicro25奥氏体钢的蠕变断裂
欢迎关注蠕变预测ICCP！本公众号致力于为您分享高温材料及强度、蠕变、材料基础理论与实验等领域的科研成果与资讯。公众号公益推送相关研究成果，欢迎投稿，共推行业发展！
