arrow
返回

Developing microstructure-sensitive fatigue crack initiation models with sparse training data using scientific machine learning

delete2026-01-01
delete0
delete
OA
AI
J
Jonas Merrell
D
Donovan Birky
K
Krzysztof S. Stopka
M
Michael D. Sangid
J
Jacob Hochhalter
DOI:10.1016/j.ijfatigue.2026.110057delete
delete原文链接
delete分享
delete收藏
查看原文
摘要

摘要

En 中文
过去二十年间,微观结构敏感建模方法已被开发用于预测疲劳裂纹萌生。尽管在这些微观结构敏感框架中使用的晶体塑性高保真模型提供了基础性见解,但它们在工程实践中的转化有限。这主要归因于晶体塑性建模需要大量资源(计算资源和专业知识)。机器学习方法可用于开发代理模型,但传统方法需要不切实际的训练数据量,限制了其实际应用。为解决此问题,我们开发了一种结合力学基础约束与通用微观结构敏感应变能定位特征的方法。随后采用贝叶斯符号回归(BSR)利用稀疏(低资源)训练数据生成低维、可解释且可说明的疲劳裂纹萌生模型。BSR还被用于处理晶粒级特征,例如邻接裂纹萌生孔隙的晶体学取向,并将其视为随机不确定性。这代表了一种更实际的场景:例如,通过X射线断层扫描或工艺建模获取特定孔隙特征几何形状,而邻接晶体学取向的统计表示已知。最后,为保持所需计算资源的合理水平,我们将训练数据限制在75个多晶模拟。展示的结果表明,与以往文献相比,可通过稀疏训练数据实现更高精度,且这种方式适合转化为标准工程实践。
Keyword:
Fatigue crack initiation
Sparse training data
Bayesian symbolic regression
Microstructure-sensitive modeling
AI总结

AI总结

对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。

期刊

International Journal of Fatigue 封面图
International Journal of Fatigue
IF:
6.8
论文数:
8.8K
被引数:
4.5W

机构

U
university of utah
学者数:
1.7K
论文数: 750
被引数: 1.5W
Purdue University West Lafayette 封面图
Purdue University West Lafayette
学者数:
921
论文数: 340
被引数: 4.6W
U
university of california - berkeley
学者数:
52
论文数: 27
被引数: 0
学者 查看更多机构
引用论文

引用论文

err分享
err收藏
Predicting fatigue crack initiation from coupled microstructure and corrosion morphology effects
err2019-10-01
err0
errOAAI
errAndrea Nicolas; Noelle Easter C. Co; James T. Burns; Michael D. Sangid
err分享
err收藏
err分享
err收藏
err分享
err收藏
学者 查看更多内容