[发明专利]一种基于机器学习的材料抗疲劳优化设计方法

说明书

本发明公开了一种本发明提供的基于机器学习的材料抗疲劳优化设计方法是基于机器学习理论进行数据间相关性与影响关系分析，从数据的角度进行材料抗疲劳与结构设计优化，首先通过设计试验获取机器学习时所需的原始试验数据；然后基于有限元进行试验过程分析获得试验过程的各种详细数据，丰富数据类型和数量；最后基于试验与计算的输入与输出数据类型构建适合抗疲劳设计的机器学习算法，并最终应用到材料抗疲劳设计与结构设计优化中。因此，可以说本发明所提出的方法可以实现材料抗疲劳与结构优化设计的工程应用需要。

技术领域

本发明属于抗疲劳设计方法技术领域，具体涉及一种基于机器学习的材料抗疲劳优化设计方法。

背景技术

抗疲劳设计方法，名义应力法，也称S-N法，表示名义应力或幅值与失效循环次数之间的关系，通常情况下我们通过试验零件测得材料的S-N曲线，对于一种特定的材料，其中S-N曲线是一定的，在实际设计中，我们考虑危险点的应力集中系数，得到零件的寿命。目前，材料的抗疲劳设计与结构优化都是依靠现有的经验进行的，存在一定的局限性和主观性，尤其是面对新材料。新工艺和新需求时，现有的技术流程已无法满足，主要表现为以下几个方面：

1)目前抗疲劳设计方法没有考虑材料的属性，即材料在发生变形时的本构关系；

2)目前抗疲劳设计没有考虑加载条件，即材料失效过程的载荷历史过程；

3)目前抗疲劳设计方法没有考虑结构优化设计，即只是从材料性角度出发进行抗疲劳设计。

因此，急需一种技术数据本身而又有一定理论技术的抗疲劳与结构优化设计方法。

发明内容

针对现有技术中的上述不足，本发明提供的基于机器学习的材料抗疲劳优化设计方法解决了现有的材料抗疲劳设计中没有考虑数据间相关影响关系，存在一定的局限性和主观性的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于机器学习的材料抗疲劳优化设计方法，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。

进一步地，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。

进一步地，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。

进一步地，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：