《Applied Mechanics》:An Artificial Neural Network-Based Strategy for Predicting Multiaxial Fatigue Damage to Welded Steel Structures
Bhagyashri Bachhav,
Dawei Zhang,
Hanghang Gao,
Hauke Schmidt,
Chen Gang,
Songyun Ma,
Franz Bamer and
Bernd Markert
编辑推荐:
疲劳失效是在循环加载条件下,由于在焊趾和缺陷处萌生裂纹,在焊接钢结构设计中无法忽视的问题。传统方法,如缺口应力法(Notch Stress Approach),通过理想化的焊缝几何形状建模局部应力分布来评估疲劳寿命。虽然这些方法在设计规范中被广泛接受,但其复杂
疲劳失效是在循环加载条件下,由于在焊趾和缺陷处萌生裂纹,在焊接钢结构设计中无法忽视的问题。传统方法,如缺口应力法(Notch Stress Approach),通过理想化的焊缝几何形状建模局部应力分布来评估疲劳寿命。虽然这些方法在设计规范中被广泛接受,但其复杂性及在实际应用中精度的降低可能构成限制。本研究探索使用人工神经网络(Artificial Neural Networks, ANNs)通过数据驱动建模来增强疲劳寿命预测。所提方法涉及使用通过有限元模拟生成的合成数据训练ANN,模拟对象为S355钢焊接件在不同加载历史、速率和频率下的行为。目标是捕获局部几何和应力特征的影响,而不完全依赖于传统方法中使用的假设。基于有限元方法(Finite Element Method, FEM)的训练数据结合了经典的实验发现和经过验证的建模实践。虽然ANN模型的性能评估将留待未来工作,但本研究为用更适应性强且高效的预测工具替代或补充缺口应力法奠定了基础。将机器学习(Machine Learning)整合到疲劳评估中,有可能提高可靠性、减少计算负担,并支持更合理的维护和设计决策。
本研究旨在解决焊接钢结构在多轴循环载荷下的疲劳寿命预测问题。疲劳失效是工程结构,特别是承受动态载荷的焊接钢结构的关键失效模式之一,其准确预测对结构安全至关重要。传统的疲劳评估方法,如名义应力法(Nominal Stress Approach)、热点应力法(Hot Spot Stress Approach)和缺口应力法,主要依赖于经验性的S-N曲线(W?hler Curve)和对局部应力的简化假设。其中,缺口应力法作为当前欧洲规范3(Eurocode 3)和国际焊接学会(International Institute of Welding, IIW)推荐的方法,通过引入一个虚构的缺口半径(对于厚度大于等于5mm的焊缝为1mm)来评估局部应力,并与材料疲劳强度进行比较。然而,这类方法在处理复杂多轴加载历史、非线性材料行为以及多样化的焊缝几何形状时,存在计算复杂、依赖理想化模型、预测精度受限等问题。为了克服这些局限性,研究人员探索了将数据驱动的人工智能方法引入疲劳寿命预测的可能性。
研究人员开展了一项结合有限元模拟与循环神经网络(Recurrent Neural Network, RNN)的混合研究。研究选取了多种具有代表性的焊接接头几何模型,包括带HY焊缝的十字接头(Cruciform Joint)和双侧角焊缝的T型接头(T-Joint),这些接头的几何参数和疲劳测试数据源自已发表的文献。首先,为这些接头建立了详细的有限元模型(Finite Element Model),模型在Abaqus商业软件中构建,采用8节点线性单元,并严格遵循IIW建议的网格划分策略,特别是在焊趾和焊根的缺口区域。材料模型选用了考虑运动硬化的弹塑性本构模型(Elasto-plastic Constitutive Model),以准确模拟S355钢在循环加载下的应力-应变响应。通过在有限元模型中施加与文献实验条件相对应的不同载荷历史(包括幅值、比率和频率),研究人员提取了每个接头关键缺口区域(焊趾和焊根)沿一周的节点应力与应变历史数据。这些数据被组织成具有21个时间步长的序列,构成了训练人工神经网络的输入特征。训练所用的目标值(疲劳寿命)则根据文献中报道的、具有50%失效概率的S-N曲线进行采样得到。
研究人员采用了一种长短期记忆网络(Long Short-Term Memory, LSTM)作为核心预测模型。LSTM是一种特殊的循环神经网络,其门控机制能够有效处理序列数据中的长期依赖关系,非常适合捕捉疲劳损伤累积过程中应力-应变历史的序列特性。该网络模型由一个包含64个神经元、使用tanh激活函数的LSTM层和一个线性激活的全连接输出层构成。模型使用Keras库实现,采用Adam优化器进行训练,损失函数为均方误差(Mean Squared Error, MSE)。训练数据被划分为训练集和验证集。
研究得出的核心结论是:所提出的基于LSTM神经网络的数据驱动模型,能够以高精度预测多种焊接接头在不同加载条件下的疲劳寿命。对于十字接头和T型接头,模型在有限寿命区和高周疲劳区(超过200万次循环)均表现出与参考S-N曲线高度一致的预测结果。在包含53个样本的整个数据集上,模型的平均均方根误差(Root Mean Square Error, RMSE)为0.013,相对R
2分数为0.99,表明预测值与实际值吻合良好。该模型的优势在于避免了传统方法对复杂力学假设的依赖,通过直接学习局部应力-应变序列与寿命之间的非线性映射关系,提高了预测的适应性和效率。这项研究表明,将机器学习与基于物理的有限元模拟相结合,为复杂工况下的焊接结构疲劳评估提供了一种高效且可靠的新范式。
为开展这项研究,研究人员主要运用了以下几个关键技术方法:1)基于IIW推荐的有限元建模与分析技术,用于生成考虑多种焊接接头几何、材料非线性和复杂载荷历史的高质量应力-应变数据;2)长短期记忆网络(LSTM)架构的循环神经网络,用于从时序应力-应变数据中学习疲劳损伤累积规律;3)数据驱动建模与验证方法,将有限元模拟数据与文献实验数据结合,构建并验证预测模型。研究使用的样本队列来源为公开发表文献中多种焊接接头的疲劳测试数据。
研究结果按接头类型和加载条件分小节进行了详细分析:
对于十字接头,研究人员首先展示了文献中报道的实验疲劳寿命数据(图6)。随后,详细描述了各类十字接头(1-4号)有限元模型的建立过程、边界条件设置(图8、9)以及结果后处理方法。通过对焊趾和焊根区域的应力应变历史进行插值处理(图13、14),获得了用于模型训练的规整化输入数据。在模型训练与预测结果部分(图15、16、17),研究人员展示了针对四种十字接头,LSTM模型在有限寿命区的训练过程(损失曲线)以及预测寿命与实际寿命的对比。结果表明,模型预测结果与S-N曲线高度吻合。进一步地,研究人员将模型应用于高周疲劳区(图18),验证了其在外推预测方面的鲁棒性。
对于T型接头,研究人员同样从文献实验数据(图7)出发,建立了包含单轴拉压和三点弯曲等不同加载条件的T型接头(1-4号)的有限元模型(图10、11、12),并提取了关键区域数据。模型训练与预测结果(图19、20、21)显示,LSTM模型同样能够准确预测各种T型接头在不同加载类型下的疲劳寿命,预测的S-N曲线与参考曲线匹配良好。无论是有限寿命区还是高周疲劳区,预测误差均很小。
综合两类接头的结果,研究人员指出,所开发的模型能够预测不同几何形状、接头类型和加载区域的循环次数。通过将所有接头类型和加载条件的数据整合,可以开发一个统一的预测模型。
在讨论与结论部分,研究人员总结道,本研究提出了一种详细的数据驱动代理模型,用于预测多轴循环载荷下焊接接头的疲劳寿命。通过开发LSTM神经网络,学习了局部应力-应变历史与对应失效循环次数之间的关系。训练数据来源于对S355钢非线性本构模型的有限元模拟,这些模拟已用文献中的实验数据进行了验证。当前模型在各种十字接头和T型接头试样以及多种载荷条件下均达到了高精度。该有限元模型根据IIW建议构建,并在关键缺口区域提取了应力和应变历史。这些历史数据在一个完整加载周期内采样,作为LSTM模型的序列输入,使其能够自然地捕获疲劳损伤累积固有的载荷路径依赖性和循环记忆效应。与传统的疲劳评估方法相比,所提出的框架在计算效率和适应性方面具有显著优势,尽管当前模型仅针对有限的焊接接头载荷和几何形状进行了训练。这些模型可以适应任何类型的几何形状以进行进一步训练。未来,将扩大数据集的规模和多样性,并致力于开发能够处理任意接头几何形状和加载场景的统一模型。