基于多算法集成机器学习方法的钛合金材料高周疲劳寿命预测

高周疲劳是航空发动机动部件的主要破坏模式之一，准确预测材料高周疲劳寿命能够为发动机设计提供重要参考。材料的高周疲劳寿命受多种因素影响，包括：温度、施加应力、应力比等实验条件；杨氏模量、抗拉强度等力学性能以及试样尺寸、形状等试样属性等等。传统的物理模型只考虑了上述中的部分因素，随着考虑因素的增多，数据量的增大，传统物理模型的构建变得愈发困难且疲劳寿命预测表现不佳。机器学习作为一种强有力的工具，能够从庞大的数据中发掘潜在关系，研究机器学习在疲劳寿命预测中的应用有着重要意义。

目前，机器学习在疲劳领域中的应用的相关研究中，高周疲劳数据集普遍偏小，且数据的主要来源的不确定性大。相关机器学习算法的训练过程复杂，且考虑的因素较少。本文引入Auto Gluon（AG）机器学习算法，在2492个TC17钛合金高周疲劳实验数据的基础上进行疲劳寿命预测。考虑的因素有温度、应力比、抗拉强度、断裂韧性、杨氏模量、应力集中系数、施加应力以及取样位置共8个因素。基于本团队前期测得的2492个TC17钛合金高周疲劳试验数据开展机器学习模型预测。为验证AG算法的预测精确度，在本研究中将AG的预测精度与常用的机器学习算法随机森林（RF）和支持向量机（SVR）的结果进行了对比。研究表明AG的预测精度优于随机森林和支持向量机的预测精度，超过90%的数据点位于±3倍分散带以内，决定系数R²可达89.6%（图2）。对于确定条件下S-N曲线的预测，AG的预测结果与三参数模型的拟合结果十分接近。

图1  Auto Gluon 自动机器学习框架原理图

此外，基于提出的机器学习模型开展了TC17钛合金材料高周疲劳寿命的影响因素分析。结果表明影响高周疲劳寿命的因素大致分为三类：试件的属性（取样位置，应力集中系数），加载条件（温度，施加应力，应力比）和材料基本性能（抗拉强度，断裂韧性，杨氏模量）。其中，试件的属性对于材料的疲劳寿命影响最大，随后分别是加载条件和材料基本性能（图3）。

本文验证了基于多算法集成的机器学习方法在材料疲劳性能预测方面的准确性，进一步阐明了影响材料疲劳寿命的关键因素，为基于数据驱动的疲劳性能预测提供了新的方法支撑。