近日，我院硕士生鲍泓翊玺在增材铝合金缺陷与疲劳寿命关联关系方面取得重要进展，在国际断裂力学顶刊Eng Fract Mech 242 (2021) 107508上发表题为“A machine-learning fatigue life prediction approach of additively manufactured metals”，并入选2022年ESI高被引论文。
研究内容简介
金属增材制造构件在航空、航天、医学、交通等得到广泛重视和应用。随着这些领域重大装备向着高可靠、长寿命、高参化的方向发展，对增材复杂构件的抗疲劳性能提出了更高要求，迫切需要更为科学、高效、准确的疲劳寿命预测方法。增材制造过程中不可避免地会形成气孔和未熔合缺陷等各类缺陷，在外部加载下易诱导疲劳裂纹形核和扩展，导致疲劳命离散性增大，为疲劳性能的可靠评估和准确预测带来挑战。大数据和人工智能技术的快速发展强劲推动着机理数据驱动的材料研发和性能预测演变为变革传统试错法的一种新技术常态。目前，机器学习方法已在材料工艺、组织和性能预测与反向设计中发挥重要指导作用。作为人工智能的一种具体形式，机器学习将复杂算法用于科学数据分析，试图为工程问题提出最优方案。在某些情况下，应用机器学习方法可以节省大量的科学试验和技术发展时间，从而显著推进新材料结构的研发效率和质量，大幅降低装备研发成本和时间。但是目前已有机器学习模型主要是利用材料组分或者单一的疲劳裂纹源缺陷因子（例如著名的双参数Murakami模型）对材料疲劳寿命进行预测，未考虑影响疲劳寿命的裂纹源关键缺陷特征，亦未尝试对机器学习模型中的黑箱进行适当打开分析，仍处于较为简单的数据分析阶段，同时在特征处理方面大部分是根据人工经验选取，而没有依靠数据本身的特点，缺乏一定合理性。为此，本论文通过机器学习方法，构建了缺陷空间特征与疲劳寿命之间的映射关联，阐明了不同缺陷特征对疲劳寿命的影响程度，为建立疲劳寿命精准预测模型提供了示范指导，使其成为获得更好材料的新型工具。
图1：基于机器学习的增材铝合金缺陷致疲劳寿命预测方法
硕士生鲍泓翊玺为论文第一作者，康国政教授和牵引动力国家重点实验室吴圣川教授为共同通讯作者，牵引动力国家重点实验室研究生吴正凯、彭鑫和中国科学院外籍院士Philip J.Withers为论文共同作者。
论文链接
https://doi.org/10.1016/j.engfracmech.2020.107508
