返回
Developing microstructure-sensitive fatigue crack initiation models with sparse training data using scientific machine learning
DOI:10.1016/j.ijfatigue.2026.110057.png)
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
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
IF:
6.8
论文数:
8.8K
被引数:
4.5W
机构
引用论文
Applied machine learning to predict stress hotspots II: Hexagonal close packed materials应用机器学习预测应力热点II: 六角密堆积材料
Development of interpretable, data-driven plasticity models with symbolic regression具有符号回归的可解释的数据驱动可塑性模型的开发
Interpretable prediction of sample size-dependent fatigue crack formation lifetime using deep symbolic regression and polycrystalline plasticity models基于深度符号回归和多晶体塑性模型的样本尺寸依赖性疲劳裂纹形成寿命的可解释预测
The role of defects and critical pore size analysis in the fatigue response of additively manufactured IN718 via crystal plasticity
MATERIALS & DESIGN
IF7.9
Grain-level micromechanical modeling and assessment of fatigue-critical pores using graph neural networks基于图神经网络的单晶尺度微观力学建模与疲劳关键孔隙评估

