数据驱动技术在高性能金属材料疲劳寿命预测中的应用

摘要

基于高性能金属材料在复杂载荷作用下的疲劳行为预测的实际需求，本研究采用数据驱动方法构建了寿命预测模型。首先，对应力-应变数据、微观组织图像及加载谱等多源异构信息进行了预处理与特征提取，并通过滑窗分析与图像降维构建循环特征和纹理指标。其次，结合XGBoost、LSTM等监督学习算法进行模型训练，采用SHAP方法提升模型可解释性，并分析关键特征的贡献度。最后，在多种加载工况与材料条件下开展对比实验，研究结果表明，所构建模型在疲劳寿命预测中表现出较高精度与良好鲁棒性，尤其在恒幅加载下预测性能最佳。