基于断裂学信息的高斯过程回归用于旋转导向钻井系统中非磁性不锈钢的疲劳预测
《International Journal of Fatigue》:Fractography-informed Gaussian process regression for fatigue prediction of non-magnetic stainless steel in rotary steerable drilling system
【字体:
大
中
小
】
时间:2026年09月29日
来源:International Journal of Fatigue 7.0
编辑推荐:
**核心贡献**
- 提出了一种协同集成断口分析与机器学习方法的新型疲劳寿命建模框架。
- 直接从疲劳断口分析中推导出适用于非磁性钢的专门物理先验。
- 通过将实验数据与断口学先验耦合,开发了一种联合概率建模方法,用于疲劳寿命区间预测。
- 所提出的方法具有优异的少样本学习
**核心贡献**
- 提出了一种协同集成断口分析与机器学习方法的新型疲劳寿命建模框架。
- 直接从疲劳断口分析中推导出适用于非磁性钢的专门物理先验。
- 通过将实验数据与断口学先验耦合,开发了一种联合概率建模方法,用于疲劳寿命区间预测。
- 所提出的方法具有优异的少样本学习能力和精确的区间预测能力。
**引言**
疲劳失效是工程结构中最常见的失效模式之一,仍然对设备的完整性和可靠性构成重大威胁[1],[2]。这一问题在油气勘探中使用的旋转导向钻井系统中尤为关键,其关键部件在井下钻探作业过程中承受复杂的循环载荷。这些恶劣的工作条件使这些部件极易受到疲劳损伤,从而危及操作安全和钻井效率[3]。非磁性不锈钢因其优异的无磁性特性而广泛用于旋转导向系统的关键部件[4]。因此,准确表征和预测其疲劳行为对于井下钻井工具的可靠寿命评估至关重要,尤其是在高狗腿度定向钻探相关的恶劣加载条件下[5]。然而,高精度疲劳寿命建模通常需要大量实验数据,而在多种工况下构建完整的S-N曲线费时费力且成本高昂[6]。因此,开发能够使用有限样本准确构建覆盖多种工况的工程材料疲劳寿命模型的方法具有重要的科学和实用价值。
现有疲劳寿命建模方法可分为三类:传统理论方法、数据驱动方法和知识-数据融合方法[7]。早期的经验模型,包括Basquin方程和Coffin-Manson方程,通过简单的幂律公式将应力或塑性应变幅值与疲劳寿命联系起来。它们的简洁性和有效性使其在疲劳分析中得到广泛应用。对于复杂加载条件,Fatemi等人[8]基于临界平面法提出了Fatemi-Socie (FS)模型用于多轴疲劳寿命预测。Kwofie等人[9]引入了利用损伤驱动应力参数的非线性损伤累积模型。关于疲劳机制,Paris[10]基于线弹性断裂力学推导了长裂纹稳定扩展阶段的裂纹扩展速率公式,即著名的Paris公式。随后,Walker和Forman[11]等研究者通过在Paris公式中引入应力比和断裂韧性等参数对其进行修正。对于晶粒尺度的裂纹萌生和短裂纹扩展,Tanaka等人[12]从断裂力学角度表征了短裂纹扩展行为。Navarro[13]和Shyam[14]也基于位错理论提出了短裂纹扩展模型。传统理论方法将疲劳试验、统计分析和数学建模相结合,具有强大的物理一致性和数学普适性,构成了现代疲劳分析的基础。然而,它们对理想化假设和简化表达的依赖限制了其适用性,将其扩展到新材料或新条件通常需要提供额外变量,这大大增加了复杂性,并使实际实施变得不切实际。
近年来,人工智能赋能的数据驱动方法在疲劳研究中引起了广泛关注。这些方法通过学习多源异构数据中的复杂载荷-寿命关系,提供了灵活、高效且广泛适用的建模方式[15]。人工神经网络(ANN)凭借其强大的非线性拟合能力,在该领域得到了广泛应用。Ramachandra等人[16]利用ANN建立了典型工况下钢材损伤速率的预测模型。Durodola等人[17]采用ANN将载荷谱和材料性能与疲劳累积联系起来。Martinez等人[18]建立了ANN模型以预测汽车底盘部件在变载荷下的累积损伤。此外,其他兼顾预测精度和鲁棒性的方法,如支持向量回归(SVR)、随机森林(RF)和极限学习机(ELM),也已在该领域被广泛采用。Shi等人[19]利用SVR和RF研究了缺陷对增材制造合金疲劳寿命的影响。Gan等人[20]基于ELM开发了2024-T42铝合金的剩余寿命预测模型。随着机器学习技术的不断进步,更多高级算法正被逐步引入。Zhu等人[21]利用集成学习算法建立了钛合金的高周疲劳模型。Zhang等人[22]使用多图注意力网络捕捉样本间关系以进行疲劳寿命预测。数据驱动方法通过直接将相关特征映射到疲劳寿命,绕过了疲劳失效的复杂机制。然而,它们需要大量实验数据集,而疲劳试验的高成本通常导致少样本限制。此外,纯数据驱动模型忽略了物理约束,可能导致预测结果与已确立的物理原理相冲突。
为了在有限数据条件下提高预测精度和物理保真度,研究者越来越多地将经典疲劳知识与数据驱动方法相结合,开发混合知识-数据疲劳模型。一种典型策略是将理论模型作为约束嵌入机器学习方法的损失函数或激活函数中。Chen等人[23]将经典Basquin方程作为激活函数嵌入神经网络隐藏层神经元中,以开发铝合金疲劳模型。He等人[24]将多轴疲劳模型(Smith-Watson-Topper (SWT)模型和FS模型)作为物理正则项嵌入神经网络损失函数中。Fan等人[25]将经典Z参数模型与神经网络相结合,构建了含微缺陷材料疲劳失效的预测模型。Gao等人[26]将Manson-Halford模型与决策树相结合,建立了镍基高温合金的剩余寿命预测模型。除显式解析模型外,领域公认的规律也可作为知识先验来指导混合模型。Baktheer等人[27]将表征损伤不可逆性和载荷序列效应的约束作为物理规律嵌入ANN,开发了多级载荷下混凝土剩余寿命预测模型,适用于少样本场景。混合建模方法结合了数据驱动方法的强大拟合能力和理论模型的物理一致性,提供了更高的预测精度、更广的适用性,并降低了对大数据集的依赖[28]。随着研究的深入,关键问题已从简单地纳入物理知识转变为确保物理指导的相关性及其与实验数据的协调。通用经验关系可能提供不足的指导,而不匹配的理论约束可能引入额外的先验偏差。因此,构建与特定材料和观测失效模式一致的物理约束,并将其与有限实验数据有效集成,已成为可靠疲劳寿命建模的关键挑战。
为应对这一挑战,本研究开发了一种断口学信息引导的高斯过程回归(FI-GPR)框架,用于非磁性不锈钢的疲劳寿命建模。该框架采用两阶段策略。首先,利用断口学分析识别疲劳损伤演化过程并提取关键微观特征,然后将其与分阶段裂纹演化模型相结合,建立所研究非磁性不锈钢的材料特异性疲劳损伤表征。其次,在高斯过程回归框架中将所得物理先验与实验疲劳寿命数据进行联合建模,其中实验数据提供直接监督,物理先验提供基于机制的指导,从而实现在有限数据条件下的概率疲劳寿命建模。本研究的关键创新在于从断口学证据中推导定制化损伤先验,而非依赖通用理论先验,从而实现对疲劳损伤的更有针对性的表征以及与实验数据的有效集成。随后评估了预测精度、稳定性、泛化能力以及物理先验的贡献,并将验证后的模型进一步应用于分析疲劳寿命响应模式。
本文其余部分组织如下:第2节介绍了疲劳试验、断口学分析和解析疲劳模型的构建。第3节详细阐述了所提出的FI-GPR方法的原理和框架。第4节验证了整体模型性能和关键模块的作用。第5节总结了研究工作并给出了主要结论。
**各章节摘要**
**基于断口学的解析模型**
本节详细介绍了材料性能和疲劳试验,并对断裂试样断口上观察到的微观形貌特征进行了统计分析。然后通过整合多尺度、全过程裂纹演化机制,开发了疲劳寿命的解析模型,并将其计算结果与实验测量值进行了比较。这提供了一种更贴近非磁性不锈钢实际损伤机制的表征方式。
**断口学信息引导的高斯过程回归**
为了提高小样本条件下疲劳寿命建模的预测精度和物理一致性,本节开发了一种断口学信息引导的高斯过程回归框架,联合纳入了实验疲劳寿命数据和从断口学分析中获得的损伤机制信息。通过在联合概率建模框架中整合这两种信息来源,所提出的方法引导模型学习寿命-条件...
**结果与讨论**
本节旨在系统评估所提出的FI-GPR框架的有效性和适用性。首先,通过与常用方法的多角度比较来评估整体模型性能。其次,通过消融研究检验从断口学观测中推断的疲劳机制先验的作用。最后,将建立的模型应用于研究和分析输入变量对疲劳寿命行为的影响。
**结论**
本研究开发了一种断口学信息引导的概率框架,用于旋转导向钻井系统所用非磁性不锈钢在代表性服役温度条件下的疲劳寿命建模。通过断口学分析识别分阶段疲劳损伤过程并提取与裂纹萌生和扩展相关的定量特征。将这些材料特异性观测结果纳入Tanaka-Mura模型和Paris模型,构建...
**CRediT作者贡献声明**
李双:写作——审阅与编辑,写作——初稿,软件,方法论,调查研究,形式分析,概念化。郭东:验证,监督,项目管理,形式分析。杨永有:监督,资源,项目管理,形式分析。赵海峰:写作——审阅与编辑,资源,项目管理,方法论,资金获取,概念化。
**利益冲突声明**
作者声明不存在任何可能影响本文所报告工作的已知竞争经济利益或个人关系。
**致谢**
本研究得到了中国科学院重大科技项目、中央高校基本科研业务费专项资金(项目编号:E6EQ9606)以及国家自然科学基金(项目编号:42578019)的资助。
李双 | 郭东 | 杨永有 | 赵海峰
生物通微信公众号
生物通新浪微博
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