融合缺陷特征與失效物理的焊接結構疲勞壽命人工智能預測方法

劉夢琪^a，王曉鋼^a*，米棟^b，劉志成^a，龍湘云^a，文圣明^a，姜潮^a*

^a湖南大學機械與運載工程學院，長沙，410082

^b中國航發湖南動力機械研究所，株洲，412002

焊接作為一種高效且實用的金屬連接工藝，被廣泛應用于汽車、高鐵、船舶、工程機械等領域。然而，焊接接頭在服役過程中常因承受交變載荷，易成為結構疲勞失效的薄弱環節。焊接結構的疲勞性能受焊接缺陷的影響尤為顯著，典型焊接缺陷包括未焊透、未熔合、氣孔、夾雜等。近年來，以機器學習為代表的人工智能方法在材料與結構的疲勞壽命評估中得到了日益廣泛的應用，并展示出強大的發展潛力。然而，基于純數據驅動的機器學習方法往往表現出缺乏物理可解釋性，外推能力差等局限性，阻礙了其進一步在工程中的推廣應用。因此，融合材料失效物理機制的數據-物理雙驅動方法逐漸成為機器學習方法發展的新趨勢。

本文以航空發動機燃燒室機匣中采用的GH4169鎳基合金焊接接頭為研究對象，針對其因氣孔等焊接缺陷導致的高溫疲勞失效問題，提出了一種融合缺陷特征與失效物理的焊接結構疲勞壽命人工智能預測方法。首先，建立了一種改進的Murakami（IM）模型，該模型綜合考慮了焊接缺陷（以氣孔為主）的幾何和位置特征等對焊接接頭疲勞性能起重要影響的因素。其次，將IM模型與支持向量回歸（SVR）方法相結合，通過引入缺陷特征和失效物理構建了一種創新的物理與機器學習融合模型，即IM-SVR模型。研究表明，所提出的IM-SVR模型在GH4169鎳基合金焊接接頭疲勞壽命評估中表現出優異的預測能力，其預測精度要顯著優于純物理模型（如IM模型）或純數據驅動的機器學習模型（如SVR模型、RF模型、XGB模型）。不僅如此，所提出的IM-SVR模型相比于其他數據與物理結合的模型（如IM-RF模型、IM-XGB模型）也具有更高的預測精度，且在魯棒性與泛化能力上表現更佳。這一優勢主要源于IM-SVR模型在構建過程中有效考慮了焊接結構特有的疲勞失效物理，并選取了與適于疲勞數據分析的SVR機器學習方法相結合，從而達到了理想的預測效果。此外，本文還將提出的IM-SVR模型與當前新興的物理信息神經網絡（PINN）方法進行了對比與分析。研究表明，對于本文所關注的焊接接頭疲勞壽命評估而言，PINN模型的預測精度普遍低于本文提出的IM-SVR模型。

圖1融合缺陷特征與失效物理的焊接結構疲勞壽命人工智能預測方法框架

綜上，本文展示了一種將結構疲勞失效物理與機器學習方法相結合的系統性疲勞壽命預測框架。與純物理或純數據驅動方法相比，這一融合方法在焊接結構疲勞壽命預測中展示出更優的預測效果。鑒于焊接接頭在工程中存在的普遍性，該方法具有廣闊的應用前景，并有望推廣至其它工程材料與結構的服役壽命評估中。

圖2 IM-SVR模型預測結果及對比分析