融合缺陷特征与失效物理的焊接结构疲劳寿命人工智能预测方法

刘梦琪^a，王晓钢^a*，米栋^b，刘志成^a，龙湘云^a，文圣明^a，姜潮^a*

^a湖南大学机械与运载工程学院，长沙，410082

^b中国航发湖南动力机械研究所，株洲，412002

焊接作为一种高效且实用的金属连接工艺，被广泛应用于汽车、高铁、船舶、工程机械等领域。然而，焊接接头在服役过程中常因承受交变载荷，易成为结构疲劳失效的薄弱环节。焊接结构的疲劳性能受焊接缺陷的影响尤为显著，典型焊接缺陷包括未焊透、未熔合、气孔、夹杂等。近年来，以机器学习为代表的人工智能方法在材料与结构的疲劳寿命评估中得到了日益广泛的应用，并展示出强大的发展潜力。然而，基于纯数据驱动的机器学习方法往往表现出缺乏物理可解释性，外推能力差等局限性，阻碍了其进一步在工程中的推广应用。因此，融合材料失效物理机制的数据-物理双驱动方法逐渐成为机器学习方法发展的新趋势。

本文以航空发动机燃烧室机匣中采用的GH4169镍基合金焊接接头为研究对象，针对其因气孔等焊接缺陷导致的高温疲劳失效问题，提出了一种融合缺陷特征与失效物理的焊接结构疲劳寿命人工智能预测方法。首先，建立了一种改进的Murakami（IM）模型，该模型综合考虑了焊接缺陷（以气孔为主）的几何和位置特征等对焊接接头疲劳性能起重要影响的因素。其次，将IM模型与支持向量回归（SVR）方法相结合，通过引入缺陷特征和失效物理构建了一种创新的物理与机器学习融合模型，即IM-SVR模型。研究表明，所提出的IM-SVR模型在GH4169镍基合金焊接接头疲劳寿命评估中表现出优异的预测能力，其预测精度要显著优于纯物理模型（如IM模型）或纯数据驱动的机器学习模型（如SVR模型、RF模型、XGB模型）。不仅如此，所提出的IM-SVR模型相比于其他数据与物理结合的模型（如IM-RF模型、IM-XGB模型）也具有更高的预测精度，且在鲁棒性与泛化能力上表现更佳。这一优势主要源于IM-SVR模型在构建过程中有效考虑了焊接结构特有的疲劳失效物理，并选取了与适于疲劳数据分析的SVR机器学习方法相结合，从而达到了理想的预测效果。此外，本文还将提出的IM-SVR模型与当前新兴的物理信息神经网络（PINN）方法进行了对比与分析。研究表明，对于本文所关注的焊接接头疲劳寿命评估而言，PINN模型的预测精度普遍低于本文提出的IM-SVR模型。

图1融合缺陷特征与失效物理的焊接结构疲劳寿命人工智能预测方法框架

综上，本文展示了一种将结构疲劳失效物理与机器学习方法相结合的系统性疲劳寿命预测框架。与纯物理或纯数据驱动方法相比，这一融合方法在焊接结构疲劳寿命预测中展示出更优的预测效果。鉴于焊接接头在工程中存在的普遍性，该方法具有广阔的应用前景，并有望推广至其它工程材料与结构的服役寿命评估中。

图2 IM-SVR模型预测结果及对比分析