一种基于人工神经元网络的疲劳裂纹扩展速率预测方法

摘要

本发明公开了一种基于人工神经元网络的疲劳裂纹扩展速率预测方法。本发明利用人工神经元网络对多元非线性映射关系出色的拟合能力，从实验数据中挖掘学并最终描述疲劳载荷(应力强度因子和应力比)与相应的裂纹扩展速率之间的映射关系，并以此为基础建立疲劳裂纹扩展预测算法。疲劳裂纹扩展是一个高度非线性的过程，且应力比对疲劳裂纹扩展的影响也是非线性的,如附图所示。目前的经典理论是将疲劳裂纹扩展速率视为双对数坐标下的线性过程进行计算。使用人工神经元网络预测疲劳裂纹扩展速率既能拟合其高度非线性的特性，同时还能很好的描述应力比对疲劳裂纹扩展速率的影响。

主权项

一种基于人工神经元网络的疲劳裂纹扩展速率预测方法，预测方法的实现平台为matlab，包括以下几个步骤：步骤一：获取载荷Kmax，应力比R，相对应载荷下的疲劳裂纹扩展速率da；步骤二：对试件所受载荷与疲劳裂纹扩展速率进行预处理；对载荷的预处理包括：若给定载荷形式为应力强度因子，则先将应力强度因子进行对数化，然后以其最大值最小值为限，使用指令mapminmax进行归一化，获得归一化参数ps1；若给定载荷形式为应力，则通过裂纹长度与时间几何参数，计算该应力下裂纹尖端所受的应力强度因子，然后再进行归一化；对疲劳裂纹扩展速率的预处理包括：将疲劳裂纹扩展速率进行对数化，然后以其最大值最小值为限，使用指令mapminmax进行归一化，获得归一化参数ps2；步骤三：将预处理过后的载荷Kmax与应力比作为人工神经元网络的输入项，预处理之后的疲劳裂纹扩展速率作为人工神经元网络的输出项，使用matlab内函数newrb( )对人工神经元网络进行训练；步骤四：生成与载荷Kmax同等数量级的测试数据tx1，与应力比相同数量级的测试数据tx2，输入人工神经元网络，获得人工神经元网络的拟合结果ty，将ty与疲劳裂纹扩展速率da进行对比，对其拟合精度进行检查；步骤五：在拟合精度未达到要求时调整人工神经元网络的参数，重复步骤三、四，直至获得满足要求的人工神经元网络net1；步骤六：获取需要预测的试件的各项几何参数以及试件所受的载荷F，应力比R2，载荷循环次数cycle；步骤七：对获取的载荷进行预处理；对获取载荷的预处理包括：若给定的载荷形式为试件所受应力，则先将应力强度因子进行对数化，然后以其最大值最小值为限，使用语句[Kmax1,ps1]＝mapminmax(Kmax1,0,1)进行归一化，获得归一化后的应力强度因子Kmax1；若给定的载荷形式为试件受力，则通过矩形板的宽和厚，使用公式K＝f(Geo，F)将其转化为应力形式，其中Geo为几何修正系数，f( )为应力强度因子与试件受力的函数关系；步骤八：将预处理过后的载荷Kmax1与应力比R2输入，调用人工神经元网络net1，具体语句为ty1＝sim(net1，[Kmax1，R1])，获得神经元网络的输出结果ty1，并将所得结果进行后处理，获得此次加载下的疲劳裂纹扩展长度da1；对神经元网络输出结果的后处理包括：先以步骤二中预处理所使用的上下限，使用语句mapminmax(‘reverse’，ty1，ps2)对输出结果进行反归一化，再对其进行以e为底的指数化，获得本次疲劳裂纹的扩展长度；步骤九：使用步骤八获得的疲劳裂纹扩展长度，对试件的几何参数进行更新；将获得的裂纹增长长度累加到裂纹长度上，获得在新一轮载荷下的裂纹长度；并以此裂纹长度为基础，使用步骤七中的公式计算裂纹尖端处的应力强度因子；步骤十：循环步骤七至九，直至疲劳裂纹长度达到预设值或者载荷循环次数cycle达到预设值为止；步骤十一：得到本次计算所得的至每次加载为止的疲劳裂纹长度，即获得对试件在本加载下的疲劳裂纹扩展速率预测。