基于图神经网络的深度学习方法的钛合金材料高周疲劳寿命预测

朱思铫，张悦，朱北辰，张嘉铭，何玉怀，许巍*

中国航发北京航空材料研究院，北京100095

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、循环应力、杨氏模量、抗拉强度、试样尺寸及形状等等。传统的物理模型只考虑了上述部分因素，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欠佳。深度学习作为一种强有力的工具，能够从庞大的数据集中发掘潜在关系，研究深度学习在疲劳寿命预测中的应用具有重要意义。

本团队在前期工作中，利用机器学习方法Auto Gluon并基于大量的高周疲劳数据对钛合金TC17的疲劳寿命做出了准确预测(见Eng. Fract. Mech., 2023, 289: 109485)。而在实际工程中获取大量疲劳试验数据并非易事，如何基于有限的数据量做出相对准确的预测值得进一步研究。故团队提出了新的基于深度学习的疲劳寿命预测方法，有效减少机器学习方法应用对所需数据量的依赖。

本研究基于注意力机制和“图”数据结构建立深度学习方法Multi-GAT，其整体框架如图1所示，充分考虑输入数据特征以及样本之间的关系，有效降低深度学习训练所需数据量。利用521组不同牌号钛合金高周疲劳数据训练深度学习方法Multi-GAT，并利用训练好的深度学习模型基于输入特征(温度、循环应力、应力比、应力集中系数、抗拉强度等)同时预测6种钛合金(TA11、TA12、TA19、TC4、ZTC4 和 TC17)的高周疲劳寿命，如图2(a)所示。将深度学习方法的预测精度与经过1690组疲劳数据训练的机器学习方法Auto Gluon的预测精度(图2 (b))进行比较，以验证该深度学习方法的预测能力。结果表明训练数据量下降了67.2%，而预测精度仅仅下降了1.6%。为进一步探究深度学习方法预测特定材料疲劳寿命的能力，利用深度学习方法针对特定材料的疲劳寿命进行预测。结果表明，相较于机器学习方法AG而言，深度学习方法Multi-GAT能够更稳定的高精度预测材料疲劳寿命。

图1  深度学习算法Multi-GAT整体框架示意图

(a)

(b)

图2 深度学习算法同时针对6种不同钛合金的高周疲劳寿命预测结果：(a) Multi-GAT预测结果；(b) Auto Gluon 预测结果

本研究建立的深度学习方法Multi-GAT, 能够有效降低了机器学习预测所需疲劳数据量，并准确预测多种钛合金材料的疲劳寿命，为机器学习在疲劳领域的广泛应用提供方法支撑。

上述研究已经发表在Int. J. Fatigue, 2024, 182: 108206。第一作者为航材院硕士研究生朱思铫，后续研究仍在开展中，欢迎同行关注指正，通讯作者：wxu621@163.com(许巍研究员)。