《International Journal of Pressure Vessels and Piping》:Prediction of hydrogen-related low-cycle fatigue life of stainless steel based on physics-guided and interpretable machine learning
编辑推荐:
Song Li|Xueying Lu|Shi Liu|Bin Chen|Wen Cao|Qiang Xu•基于物理的特征重建方法能够提升模型的准确性与稳健性。•GPR在小样本预测中的稳定性优于XGBoost。•SHAP分析表明,应变(40.8%)和镍元素(32.1%)是导致材料疲
Song Li|Xueying Lu|Shi Liu|Bin Chen|Wen Cao|Qiang Xu
- •
基于物理的特征重建方法能够提升模型的准确性与稳健性。
- •
GPR在小样本预测中的稳定性优于XGBoost。
- •
SHAP分析表明,应变(40.8%)和镍元素(32.1%)是导致材料疲劳退化的主要因素。
- •
将数据与物理原理相结合,可更精准地预测氢能相关结构的表现。
引言
在全球应对气候变化以及实现双碳目标的背景下,清洁高效的氢能源已成为推动能源领域低碳转型的核心力量。然而,存储与运输环节占据了总成本的30%-40%,这一情况严重制约了氢能源的规模化应用[1]。因此,利用现有的天然气管道网络来输送氢气,成为了实现远距离高效输氢以及终端脱碳的关键途径[2]。在这样的管道网络中,由于存在高压阀门、压力调节装置以及氢气储存容器,不锈钢因其出色的耐腐蚀性以及较低的初始氢脆倾向,被广泛用作核心内衬及承压材料[[3], [4], [5]]。但实际上,管道网络中的频繁压力波动以及调峰操作会带来较大的交变载荷;这种动态交变应力与高压氢环境之间的强耦合作用,极易加剧材料中的微损伤,进而引发严重的低循环疲劳(LCF)失效[2,6]。因此,深入研究高压氢环境与应力耦合作用下不锈钢的疲劳损伤演化规律及其寿命衰减规律,对于评估氢能相关基础设施的结构完整性、确保管道网络的长期安全运行而言,既是必要条件,也是核心科学问题。
目前已有大量关于氢环境下游材料失效的基础实验研究。现有研究结果普遍表明,氢气作用会显著加速裂纹的扩展速度。例如,针对不锈钢氢气储存压力容器的研究显示,高压氢环境会大幅增强应力诱导裂纹扩展的动力,从而导致容器实际疲劳寿命急剧缩短[7,8]。不过,目前关于氢脆机制的研究大多仅限于静态力学性能的退化方面。而针对动态交变载荷作用下氢缺陷相互作用所引发的疲劳损伤演化研究相对较少,这类研究对氢能相关结构的抗疲劳设计指导意义也十分有限[9,10]。更为严重的是,传统的疲劳寿命预测模型往往基于空气环境下的经验公式,无法将氢气作用带来的损伤效应全面且定量地纳入衰减方程中,因此在实际高压氢环境下的预测精度会大幅下降[[11], [12], [13]]。所以,克服传统研究的局限性,开发出能够精准捕捉氢气诱导的动态疲劳损伤的高精度寿命预测方法,已成为氢能相关储运系统安全评估领域的迫切任务。
近年来,机器学习凭借其强大的非线性处理能力以及多变量特征映射功能,为突破传统经验公式的局限提供了新的方法[14,15]。Yang等人[16]指出,机器学习技术将成为解决氢能相关疲劳寿命预测瓶颈的关键手段。在具体应用层面,许多学者也取得了丰硕成果。Hamidreza等人[17]构建了袋装树模型,能够精准定量地预测管道钢的疲劳裂纹扩展速率,并发现氢气压力以及锰、硫等合金元素会加剧氢脆现象。Aduwenye等人[18]则运用机器学习方法预测了氢气辅助下的疲劳裂纹扩展行为,而Hu等人[19]则开发了基于机器学习的模型,用于预测铬钼钢在氢环境中的疲劳裂纹扩展速率。为了进一步提升模型在复杂工作条件下的预测能力,融合物理定律的物理数据双驱动模型也被广泛采用。Wu等人[20]提出了一种基于物理的钢铁在氢环境中的疲劳寿命预测策略,证明了将物理约束条件纳入预测建模之中的可行性。Liao等人[21]则提出了基于PINN的残余疲劳裂纹扩展寿命预测方法,该方法将疲劳演化的物理边界条件作为约束纳入模型训练过程。He等人[22]通过结合多轴疲劳临界平面模型,构建了MFLP-PINN网络,显著提升了预测结果的物理一致性与稳定性。Ahmadi等人[23]以及Zhang等人[24]也在氢环境中针对富氢界面体系以及断裂韧性预测展开了类似的物理引导方法研究。此外,近期还有研究开始探索氢环境下的不确定性量化、可靠性评估以及极高循环疲劳行为等问题[25],这进一步凸显了将数据驱动建模与机理理解相结合的重要意义。鉴于工程实践中的数据较为匮乏,一些研究人员提出了基于迁移学习的小样本预测框架,该方法显著提升了腐蚀环境下的疲劳寿命预测精度[26]。上述研究都表明,机器学习在疲劳预测领域具有巨大的潜力。然而,在实际的天然气掺氢管道网络工程应用中,要在高压氢气与交变应力的共同作用下开展低循环疲劳试验,成本极高且耗时漫长,这极大限制了高质量动态测试数据的获取。在缺乏海量数据支撑的情况下,那些高度依赖数据规模的传统机器学习模型很容易出现过拟合问题,难以满足氢能相关管道网络所要求的严格安全与可靠性标准。
为应对上述挑战与瓶颈,本研究提出了一种整合物理机制的可解释机器学习预测框架。在该研究中,摒弃了传统的离散材料标签,转而提取能够反映材料内在属性的连续变量。基于Manson-Coffin定律,对这些特性进行对数线性化处理并重新构建,从而实现载荷、环境条件与材料演化规律之间的有效耦合。在此基础上,结合留一法交叉验证(LOOCV),对经过强正则化的XGBoost模型与GPR模型的预测性能进行了系统评估。其中,GPR模型凭借其贝叶斯特性,在保持预测精度的同时还能量化疲劳寿命的不确定性。此外,还通过SHAP值分析,定量分析了高压氢环境以及材料的多元特性对不锈钢疲劳行为的影响机制。本研究为天然气掺氢管道网络中承压部件的完整性评估提供了一种既稳健又具备可解释性的预测方法。
章节要点
数据来源与处理
本研究中所使用的实验数据源自近期发表的关于不锈钢在氢环境中的疲劳行为研究[27,28],详细数据可见补充表A。这类数据已被广泛用于评估材料在高压氢环境服务条件下的机械性能退化以及氢气诱导损伤的演化过程。为覆盖典型的氢能应用场景,本研究选取了304奥氏体钢、410马氏体钢以及430
数据的统计分析
在本研究中,对提取出的22组与氢相关的低循环疲劳实验数据进行了严格验证,以确保后续用于预测天然气掺氢管道网络寿命的机器学习框架具备较高的精确度与物理合理性。在此基础上,为避免传统材料类别标签所带来的离散性以及物理信息缺失的问题,本研究基于物理先验知识对特征进行了重构,以此有效提升模型的
结论
为满足天然气掺氢管道网络中关键承压部件的安全评估需求,本研究开发了一种整合物理先验知识的氢相关低循环疲劳寿命预测框架。考虑到高压氢相关实验成本高昂且数据样本稀缺,本研究通过特征重构与留一法交叉验证,对该模型的性能与可解释性进行了系统评估。主要结论如下:
CRediT作者贡献说明
Song Li:概念构思、资源获取、结果验证、论文撰写——审阅与编辑。Xueying Lu:数据整理、论文初稿撰写。Shi Liu:正式分析、论文审阅与编辑。Bin Chen:项目监督、论文审阅与编辑。Wen Cao:项目管理、论文审阅与编辑。Qiang Xu:项目监督、论文审阅与编辑。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
致谢
本项工作得到了城市燃气领域中“氢气混配的工艺机制与应用场景研究”(编号:20250742)项目的资金支持。