基于缺陷特征與機器學習的增材制造鈦合金高周疲勞壽命預測
劉堯，高祥熙，朱思銚，何玉懷，許巍*
中國航發(fā)北京航空材料研究院，北京100095
近年來，增材制造技術不斷提升，但增材制造件內部隨機分布的缺陷仍難以避免。微小缺陷對疲勞性能的影響難以通過傳統(tǒng)物理模型準確預測。隨著缺陷特征復雜性和數(shù)據(jù)維度的增加，依賴于物理公式的模型預測變得愈發(fā)困難，尤其針對考慮氣孔缺陷的增材制造材料高周疲勞壽命預測中，傳統(tǒng)模型的適用性顯著降低。這種局限性迫切需要引入基于數(shù)據(jù)驅動的機器學習方法，通過挖掘缺陷特征參數(shù)與疲勞性能間的潛在規(guī)律，為增材制造材料的疲勞壽命預測提供新的解決途徑。本團隊在前期工作中，利用機器學習模型AutoGluon并基于大量的高周疲勞實測數(shù)據(jù)，對TC17鈦合金的高周疲勞壽命進行了準確預測（見Engineering Fracture Mechanics, 2023, 289: 109485）。然而，針對增材制造材料，如何引入缺陷特征參數(shù)并基于有限數(shù)據(jù)實現(xiàn)相對準確的高周疲勞壽命預測仍是亟待解決的問題。鑒于此，本團隊利用增材制造鈦合金TA15的性能數(shù)據(jù)，進一步提出了一種基于機器學習并考慮缺陷特征參數(shù)的高周疲勞壽命預測方法，顯著提升了疲勞壽命預測精度，為工程應用提供了重要參考。本研究中的宏觀數(shù)據(jù)主要包括抗拉強度、屈服強度、斷口伸長率、斷面收縮等拉伸性能參數(shù)以及疲勞性能參數(shù)；微觀數(shù)據(jù)則來源于氣孔缺陷疲勞源區(qū)提取的特征值，包括缺陷面積、缺陷等效直徑，以及缺陷距試樣邊緣的有效距離。這些宏、微觀數(shù)據(jù)共同構建了機器學習的數(shù)據(jù)集。本研究流程如圖1所示。通過篩選與疲勞壽命高度相關的缺陷特征參數(shù)，構建包含這些特征參數(shù)的訓練集，利用機器學習模型進行計算，最終獲得疲勞壽命的預測結果。圖2展示了缺陷特征對模型預測精度的影響程度。當訓練集中不含缺陷特征參數(shù)時，機器學習模型對訓練集的預測結果中，至少10個數(shù)據(jù)點明顯超出±3倍誤差帶（見圖2（a））。然而，當訓練數(shù)據(jù)中引入缺陷特征參數(shù)后，僅有2個數(shù)據(jù)點超出±3倍誤差帶，大部分預測結果分布在±2倍誤差帶以內（見圖2（b））。預測結果表明：考慮缺陷特征參數(shù)的機器學習模型顯著提升了疲勞壽命預測精度，且考慮缺陷特征的預測S-N曲線與試驗測得的S-N曲線的一致性良好（見圖3）。本研究建立的考慮缺陷特征參數(shù)的機器學習模型不但揭示了缺陷特征對疲勞性能的影響規(guī)律，還顯著提高了疲勞壽命預測精度，為考慮缺陷的疲勞壽命分析提供了新的研究途徑，尤其為增材制造材料的設計優(yōu)化與服役可靠性提升提供了技術支持。上述研究發(fā)表在Engineering Fracture Mechanics, 2025, 314: 110676。第一作者為航材院的劉堯博士，后續(xù)研究仍在開展中（許巍研究員）。圖1 本研究中考慮缺陷特征的機器學習壽命預測方法流程圖
(b)
圖2 基于不同訓練集的預測結果對比：（a）無缺陷特征參數(shù)的訓練集預測結果；（b）包含缺陷特征參數(shù)的訓練集預測結果
圖3 考慮缺陷特征參數(shù)的預測S-N曲線與試驗測得S-N曲線的對比，其中sd、ssd、id分別表示表面缺陷（surface defect），亞表面缺陷（subsurface defect）以及內部缺陷（internal defect）
