基于深度学习对钛合金过载裂纹状态进行分类及疲劳参数预测的方法

《Advanced Intelligent Systems》:Deep Learning Approaches for Classifying Crack States With Overload and Predicting Fatigue Parameters in a Titanium Alloy

【字体: 大 中 小 】 时间:2026年03月07日 来源:Advanced Intelligent Systems 6.7

编辑推荐:

  裂纹迟滞现象在金属过载条件下普遍存在,有助于延长疲劳寿命。传统的变幅载荷下裂纹行为建模方法依赖于逐循环裂纹长度测量、塑性区估算和应力强度因子范围(ΔK)计算,因此劳动密集且对测量误差敏感。本研究提出了一种基于裂纹尖端应变场(通过数字图像相关技术测量)的深度学习

  
裂纹迟滞现象在金属过载条件下普遍存在,有助于延长疲劳寿命。传统的变幅载荷下裂纹行为建模方法依赖于逐循环裂纹长度测量、塑性区估算和应力强度因子范围(ΔK)计算,因此劳动密集且对测量误差敏感。本研究提出了一种基于裂纹尖端应变场(通过数字图像相关技术测量)的深度学习方法来评估过载对疲劳参数(如ΔK和疲劳裂纹扩展速率da/dN)的影响。对于每个数据点,将来自连续载荷循环的应变场堆叠起来以捕捉裂纹尖端行为的演化,同时降低随机噪声。研究选用VGGNet16和ResNet50进行分类和回归任务。分类任务用于区分三种状态:正常、过载和恢复。两种卷积神经网络(CNN)在分类任务中均达到99.4%的准确率;在ΔK预测任务中,VGGNet16和ResNet50的R2分别为0.96和0.89;在da/dN预测任务中,R2分别为0.92和0.91。每个数据点的总评估时间仅为秒量级,而Wheeler/Elber分析需要数小时,有限元分析则需要数天。这些结果证明了CNN在识别过载诱导裂纹状态以及直接从应变场预测疲劳参数方面的可行性。
铝合金与钛合金等轻质金属广泛应用于航空航天结构,因此精确理解其疲劳裂纹扩展(FCP)特性对于疲劳损伤分析至关重要。然而,由于最优结构设计已接近材料重量的下限,降低许用载荷以消除疲劳裂纹根源面临挑战,亟需先进的FCP表征技术以确保航空航天结构的长期可靠性。航空航天结构承受复杂的周期性载荷,包括拉伸过载、压缩欠载和恒幅载荷,这些载荷条件即使在相近的应力强度因子(SIF)范围下也会导致疲劳裂纹扩展速率的显著变化。拉伸过载后裂纹扩展速率减缓,但经若干恒幅载荷循环后恢复至原始速率;压缩欠载通常加速裂纹扩展,但该效应具有材料依赖性,如Ti-6Al-4V ELI合金对压缩欠载不敏感。本研究选用该钛合金正是因为其在航空航天领域的广泛应用及其优异的强度、低重量、耐腐蚀性和损伤容限。

变幅载荷下的结构行为分析比恒幅载荷更为复杂。过去数十年间,研究人员发展了众多分析模型以预测变幅条件下的裂纹扩展速率。最早的Wheeler模型和Willenborg模型考虑了裂纹尖端前方屈服区的影响而得到广泛应用;Elber的裂纹闭合方法则是考虑裂纹后方塑性变形和裂纹面相互作用的替代方法。近期研究致力于改进这些模型以提高准确性和适用性,如Huang等通过引入等效SIF范围对Wheeler模型进行修正,还有研究利用裂纹尖端钝化分析过载效应。然而,经典模型依赖逐循环裂纹长度测量、塑性区估算和ΔK计算,存在劳动密集和测量误差敏感等局限。实际上,完整的过载-恢复序列评估流程耗时可达数小时;有限元方法虽能提供高保真裂纹尖端场,但疲劳裂纹扩展模拟通常需要迭代(常为非线性)求解程序,以及裂纹前沿推进和重网格化或网格细化,高保真模型在工作站上运行可达数天。这些局限性凸显了对深度学习等自主方法的需求,以减少重复性人工干预和计算负担。

裂纹尖端局部力学参数(如弹塑性变形、裂纹尖端钝化、裂纹开启力和SIF)在确定裂纹扩展速率方面起关键作用。传统测量方法包括裂纹开口位移(COD)规、光弹性法、X射线衍射和中子衍射等。COD规可用于确定Elber模型中的重要参数——裂纹开启力,但其仅能测量裂纹闭合的整体响应,精度有限。X射线和中子衍射方法需要精密设备、精细的样品准备和复杂的数据采集系统,难以实现疲劳裂纹的实时表征。近年来,数字图像相关(DIC)技术因其简便、准确、灵活、经济、高分辨率、非接触和全场视图的优点,广泛应用于裂纹尖端变形场测量,也用于表征轻质合金在恒幅和变幅载荷下的FCP行为。DIC测量的疲劳裂纹尖端应变分布可用于识别正常载荷、过载和过载后条件的响应,还能测量塑性区尺寸以辅助使用Wheeler等模型建模迟滞效应,并可用于测量裂纹开启力、SIF、裂纹长度和裂纹尖端位置等关键参数。

疲劳裂纹扩展在恒幅和变幅载荷下均为非线性多变量问题,涉及众多复杂机制,因此不存在普适的疲劳裂纹扩展模型。近年来,研究人员探索了利用机器学习(ML)模型量化裂纹扩展速率与驱动参数之间的非线性关系。例如,Zhang等采用基于径向基函数的人工神经网络预测恒幅和变幅载荷下的疲劳裂纹扩展速率;Wang等比较了极端学习机、径向基函数网络和遗传算法优化反向传播网络;Freed等考察了随机森林、高斯过程回归、K近邻和核回归四种ML回归算法;Heng等提出了CNN-长短期记忆方法预测疲劳寿命。这些方法虽具价值,但受限于对施加载荷、ΔK、应力比和试样厚度等输入变量的依赖,这些参数需要详细的载荷历史和试样信息,而在役条件下往往难以获取。此外,间接裂纹长度预测方法在裂纹超出相机视场时面临挑战。

为克服上述局限,本研究聚焦于可直接通过DIC测量的裂纹尖端应变场。该应变场蕴含丰富的塑性变形、微观结构效应、弹性场、裂纹闭合、载荷变化幅值、裂纹方向及应力/应变状态(平面应变或平面应力)等信息。然而,利用全场应变或位移场训练CNN模型预测裂纹长度和裂纹尖端位置的研究较少,且主要集中于恒幅载荷条件。本研究独创性地仅使用裂纹尖端应变场直接预测各种过载比下的裂纹扩展速率。尽管三维DIC可捕捉三维表面位移并提供比二维DIC更丰富的裂纹尖端应变信息,但其无法像有限元分析(FEA)那样解析材料内部真实的三维裂纹尖端应变,且需要多台同步相机和精确立体标定,有效视场较小,计算成本较高。由于本研究试验在平面应力条件下进行且面外位移可忽略,二维DIC被选为实用高效的选择,便于对扩展序列进行宽广视场的裂纹尖端应变观测。

除直接预测裂纹扩展速率外,本研究还利用CNN模型对裂纹状态(正常、过载或恢复)进行分类。尽管存在独特的应变模式,CNN模型可实现无需专业知识的自主分类,特别是在过载比较小、接近向正常状态过渡的临界点时,对恢复状态的分类即使对专家也具有挑战性。此外,本研究还利用CNN模型预测SIF范围ΔK,证明了从用于裂纹扩展速率预测的数据集中直接预测ΔK的可行性。

本研究训练并测试了VGG16-classification和ResNet50-classification两个模型用于分类,以及VGG16-ΔK和ResNet50-ΔK模型用于ΔK回归预测,VGGNet16-da/dN和ResNet50-da/dN模型用于da/dN回归预测。da/dN、ΔK和疲劳裂纹状态的认知可为疲劳分析提供全面信息。与需要逐循环裂纹长度跟踪、塑性区估算和ΔK计算的Wheeler型和Elber型模型不同,所提出的CNN框架仅依赖DIC测量的应变场。DIC处理每个分析区域耗时仅数秒,之后在单GPU上CNN推理每输入张量仅需毫秒级,每个数据点的总体评估时间为秒量级。

**关键技术方法**

本研究采用的核心技术方法包括:(1)基于数字图像相关(DIC)的裂纹尖端应变场测量:使用配备长程显微镜的CCD相机(分辨率1920×1080像素),在0.25 Hz低频下以30帧/秒采集图像,通过MATLAB开源软件包Ncorr计算Green-Lagrangian应变分量,选取364×364像素感兴趣区域(ROI)进行分析;(2)时间堆叠策略:将连续10个载荷循环的最小和最大载荷点对应的纵向应变张量堆叠形成256×256×10的三维输入张量,以捕捉裂纹尖端行为的短历时演化并降低随机噪声;(3)深度卷积神经网络:采用VGGNet16和ResNet50两种经典架构,分别用于分类(Softmax输出层)和回归(去除Softmax层)任务,使用Adam优化器(学习率0.0001)和早停策略防止过拟合,在NVIDIA GeForce GTX 1080 Ti GPU上基于TensorFlow 2.0训练;(4)梯度加权类激活映射(Grad-CAM):用于可视化CNN模型的决策关注区域,验证模型关注裂纹尖端及高应变梯度区域的物理合理性;(5)三折交叉验证:评估模型泛化性能的稳健性。

**研究结果**

**3.1 过载对裂纹扩展速率的影响**

研究人员对Ti-6Al-4V ELI合金进行了FCP测试,展示了da/dN与ΔK的关系。在Rol=1.5至2.75(增量0.25)的六种过载比条件下,每次过载后da/dN均急剧下降至局部最小值,随后快速恢复。da/dN的最小值随过载比增大而减小,呈指数关系;迟滞循环次数(NR)亦随过载比增大而指数增加。ΔK在过载后若干正常载荷循环内保持恒定,这些循环即为迟滞循环。

**3.2 裂纹尖端变形场**

通过DIC测量获得了不同FCP阶段的纵向应变分布。正常状态下,应变集中于裂纹尖端前方;过载阶段,应变图样沿加载方向伸长;恢复状态下,裂纹尖端应变集中消失,直至重新出现。正常状态的集中应变场表明裂纹尖端存在少量塑性变形。由于Ti合金中裂纹主要沿平行和垂直于块体取向的两个角度扩展(源于α相与β相间的Burgers关系),导致裂纹呈锯齿形路径,这在正常状态的连续应变图中有所体现。过载时应变重分布导致局部应变累积,恢复阶段应变幅值显著降低,归因于过载循环产生的大塑性变形被带入后续正常载荷循环。当裂纹接近前次过载遗留的塑性变形边界时,应变重新集中于裂纹尖端,最终恢复正常的裂纹扩展特征。过载时裂纹尖端塑性区显著扩展,产生残余压应力,阻碍后续裂纹扩展。

**3.3 FCP状态分类**

VGGNet16-classifier和ResNet50-classifier模型对10层堆叠输入的分类结果表明:VGGNet16对"正常"类预测准确率为99.7%(308/309),"过载"类为98.6%(287/291),"恢复"类为99.7%(343/344);ResNet50相应为99.7%、98.3%和100%。两者总体准确率均为99.36%(938/944)。敏感性分析显示,5层堆叠时VGGNet16和ResNet50准确率分别为98.52%和90.04%,10层时均提升至99.36%,15层时分别微增至99.58%和99.47%。相应训练时间:VGGNet16从3367秒增至3764秒(10层)和4161秒(15层);ResNet50从742秒大幅增至1400秒(10层)和2059秒(15层)。10层堆叠在准确率与计算效率间取得最佳平衡。

**3.4 SIF范围预测**

VGGNet16-ΔK模型测试集R2达0.96,测试均方误差(MSE)为0.96;ResNet50-ΔK模型R2为0.89,测试MSE为1.46。两种模型均展现出从裂纹尖端变形场预测SIF范围的有效性,VGGNet16-ΔK精度略高。

**3.5 裂纹扩展速率预测**

VGGNet16-da/dN模型测试集R2为0.92,测试MSE为0.005;ResNet50-da/dN模型R2为0.91,测试MSE为0.006。预测值与真实值在低扩展速率区(da/dN<10-6)偏差较大,归因于该区域内数据密度有限且噪声增加。将预测da/dN与ΔK作图,均值预测值与实验测量值在整个范围内均吻合良好。三折交叉验证结果确认回归性能对特定数据划分不敏感,学习到的裂纹尖端变形场与疲劳参数间的关系可可靠推广至未见数据。

**3.6 基于Grad-CAM的模型可解释性**

Grad-CAM可视化表明,两种架构的模型均一致关注裂纹尖端附近区域和高应变梯度区域——这些区域已知控制疲劳裂纹萌生与扩展,说明CNN并非依赖任意背景模式,而是考虑了具有物理意义的变形特征。ResNet50表现出更类似应变局部化的局部化注意模式,归因于其残差连接有利于跨层保留细粒度空间信息;VGGNet16则表现出更平滑、更分散的激活模式,反映其顺序架构中更高程度的特征抽象。尽管注意图视觉外观不同,两者均一致识别裂纹尖端邻近区及相关应变局部化区域为关注主导区域。

**讨论**

研究人员系统比较了所提出的DIC+CNN框架与传统FEA及Wheeler/Elber分析模型的差异。DIC+CNN框架一旦建立一致的DIC协议和输入准备流程,评估阶段即可标准化,DIC测量及CNN模型处理形成可重复的流水线,典型评估时间为秒量级/数据点,且能从同一DIC输入实现多输出统一评估:自主分类疲劳裂纹状态并预测ΔK和da/dN。相比之下,传统分析流程通常通过独立的、特定模型的程序和中间测量获取这些输出,而非单一集成的自动化流水线。FEA虽能提供高保真场和机理洞察,但专家依赖性强、计算资源密集,高保真裂纹扩展模拟常需数天;Wheeler/Elber型方法虽为封闭形式、计算成本低,但其历史依赖性导致需要重复测量和分析师驱动更新,端到端评估时间达数小时量级。Grad-CAM可视化增强了物理可信度,表明CNN预测聚焦于裂纹尖端和高应变梯度区域。

研究人员还指出,除DIC外,涡流脉冲热成像、超声检测、声发射、红外热成像和X射线计算机断层扫描等互补无损检测(NDE)技术未来可与之整合。这些方法基于热、声或体积对比提供不同物理洞察,但通常无法提供裂纹尖端的直接全场应变测量。将DIC与热成像、超声和声学技术相结合可能实现多模态数据融合,结合机械、热学和声学响应改进疲劳裂纹评估,提供更全面的裂纹萌生与扩展理解。深度学习准确预测FCP的能力将革新结构完整性管理方法,带来更安全、高效且经济的跨行业运营。

**研究结论**

在此,研究人员展示了一种识别正常载荷、过载和恢复期间疲劳裂纹精确状态的新方法,以及通过裂纹尖端应变场和CNN估计疲劳裂纹扩展速率(da/dN)和应力强度因子范围(ΔK)的方法。VGGNet16-classifier和ResNet50-classifier模型用于变形场分类,两者均表现出高分类准确率,总体性能达99.4%,证明了CNN区分不同裂纹尖端应变状态的有效性。VGGNet16-ΔK和ResNet50-ΔK模型在ΔK预测中分别实现0.96和0.89的R2值,VGGNet16-da/dN和ResNet50-da/dN模型在da/dN预测中分别实现0.92和0.91的R2值。这些高R2值凸显了这些模型的强预测能力。利用裂纹尖端应变信息和CNN准确分类和预测疲劳裂纹状态及行为的能力,相较传统无损检测方法具有显著优势,因其允许瞬时且可靠的评估,无需昂贵且耗时的数值模拟。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号