[发明专利]一种基于机器学习的材料抗疲劳优化设计方法

权利要求书

1.一种基于机器学习的材料抗疲劳优化设计方法，其特征在于，包括以下步骤：

S1、确定用于机器学习的材料的基础数据；

S2、根据获取的基础数据，通过有限元计算方法计算材料在不同载荷和工况条件下应力及应变数据；

S3、基于材料的基础数据和计算的应力及应变数据进行机器学习，确定数据间的相关性并预测材料宏观性能，并根据其进行材料抗疲劳设计；

所述步骤S2具体为：

S21、构建当前载荷和工况条件下代表体积单元的材料疲劳过程的晶体塑性本构模型；

S22、定义变形梯度，并根据变形梯度计算刚度矩阵及其特征值和特征矢量；

S23、根据刚度矩阵及其特征值和特征矢量计算晶体塑性本构模型的应力及应变数据；

所述晶体塑性本构模型的应力及应变数据包括宏观应变、宏观应力、微观剪切应变和微观应力；

所述步骤S22中，定义的变形梯度为

所述变形梯度的刚度矩阵为：

所述步骤S23中；

所述宏观应变ε为：

式中，Δl_i为材料在坐标方向参数i上晶体塑性本构模型的变形增量；

l_i为材料在坐标方向参数i上晶体塑性本构模型的原始尺寸；

所述宏观应力σ_a为：

式中，E为弹性模量；

所述微观剪切应变Δτ^α为：

式中，Δε为宏观应变增量；

N为刚度矩阵的特征矢量数量，n为刚度矩阵的特征矢量序数；

P^α为滑移系法向与滑移方向叉乘的反比例系数；

为剪切应变速率是硬化参数的反比例函数；

{a₁,a₂,a₃}为刚度矩阵的特征值，a₁,a₂,a₃分别为刚度矩阵在三个坐标方向上的特征值；

{N₁,N₂,N₃}为刚度矩阵的特征特征矢量，N₁,N₂,N₃分别为刚度矩阵在三个坐标方向上的特征矢量；

所述微观应力σ_b为：

式中，μ为材料的泊松比；

上标a为滑移系数量。

2.根据权利要求1所述的基于机器学习的材料抗疲劳优化设计方法，其特征在于，所述步骤S1中，材料的基础数据包括材料微观类型、材料载荷条件和材料属性；

所述材料微观类型包括晶体类型、滑移、位错和晶体尺寸；

所述材料载荷条件包括位移、应力和温度；

所述材料属性包括弹性模量、泊松比、密度、力学属性和热学属性；其中，力学属性包括应力-应变，屈服应力、抗拉应力和硬化系数，热学属性包括热导率和比热。

3.根据权利要求2所述的基于机器学习的材料抗疲劳优化设计方法，其特征在于，所述步骤S3具体为：

S31、构建输入参数与输出参数的函数关系式；

S32、将输入参数和输出参数代入构建的输入参数与输出参数的函数关系式中，并按照目标函数进行机器学习，输出输入参数和输出参数间的相关性并预测得到的材料宏观性能。

4.根据权利要求3所述的基于机器学习的材料抗疲劳优化设计方法，其特征在于，所述步骤S31中：

所述输入参数为材料的基础数据，所述输出参数为计算得到的应力及应变数据、材料在微观尺度的滑移和晶粒信息作为输出参数。