摘要:
金属疲劳寿命模型是开展工程结构完整性和可靠性评估的基础. 传统的知识驱动模型关注疲劳机理和数理逻辑, 一般具有明确的物理意义, 并且可高度概括疲劳失效过程. 然而, 随着对结构安全性要求的日益提高以及新兴工程材料的不断涌现, 传统模型在预测能力、应用场景、工程适用性等方面都逐渐显现出局限性. 近年来, 由人工智能赋能的数据驱动模型在金属疲劳寿命研究领域内受到了广泛关注, 相关研究成果正逐步应用于解决包括单轴疲劳、多轴疲劳、变幅疲劳在内的各类经典疲劳问题. 数据驱动模型能够在最小化人因误差的情况下, 从多变量作用中解析出对疲劳寿命的最优显\隐式表达, 可揭示传统方法难以发现的失效规律, 已然成为领域内新的研究热点. 本文综述了当前数据驱动模型在金属疲劳寿命预测方面的研究进展, 首先总结了纯数据驱动模型的一般应用流程及其应用现状, 其次归纳了各类知识-数据混合驱动模型的实现方式及应用优势, 最后对未来潜在研究方向及挑战进行了探讨与展望.
甘磊, 吴昊, 仲政. 数据驱动的金属疲劳寿命模型研究进展. 力学进展, 待出版. doi: 10.6052/1000-0992-24-025.