基于機器學習方法的增材制造Ti-6Al-4V樣品疲勞壽命預測建模

來源：結構完整性聯盟

對于增材制造（AM）部件中的缺陷，無損檢測可以在構件破壞之前對材料內部的缺陷進行定量化的測量。其中X射線顯微計算機斷層掃描技術(X-ray micro-computed tomography)非常適用于評估致密的增材制造鈦合金部件，并提供內部缺陷在材料體積中的三維空間分布。

針對材料內部缺陷引起過早失效的問題，已有不少學者將缺陷特征參數關聯鈦合金高周疲勞壽命，構建出了一系列的半經驗壽命預測公式，以達到壽命預測的目的。并且還有部分學者通過擴展有限元的方法，模擬含缺陷鈦合金的裂紋擴展行為。但是這些半經驗壽命預測模型和方法無一例外都需要大量的數據和時間來完善它們的效果。在本文工作中，引入基于機器學習（ML）的方法來量化X射線顯微計算機斷層掃描技術檢測到的缺陷的影響，并對特定應力幅下的增材制造Ti-6Al-4V的疲勞壽命進行預測。同時對人工神經網絡（ANN）、隨機森林回歸（RFR）和支持向量回歸（SVR）三種模型進行了對比和優(yōu)化。通過使用留一法交叉驗證（LOOCV）方式調整超參數來對訓練集進行優(yōu)化，并驗證優(yōu)化后模型預測的準確性。

成果介紹
（1）在偽隨機選擇的20個樣本上訓練機器學習模型，然后在剩余的9個樣本上測試機器學習模型。通過Spearman秩相關性分析排除了不敏感的輸入特征，提高了機器學習模型的效率和準確性。圖1為機器學習方法預測疲勞壽命的基本流程。式1為Spearman秩相關系數計算公式。

圖1 疲勞壽命預測機器學習建模流程框架

（2）為了實現ML模型的最高預測精度，使用LOOCV方法調整超參數。當平均絕對百分比誤差(MAPE)最小時，假定此時模型為優(yōu)化后的模型。比較人工神經網絡（ANN）、隨機森林回歸（RFR）和支持向量回歸（SVR）三種模型，其中人工神經網絡模型預測精度最高，預測結果的R2 = 0.848和平均絕對百分比誤差MAPE = 2.980%。圖2是優(yōu)化后的三種機器學習模型預測疲勞壽命效果對比。

圖2 三種機器學習模型預測疲勞壽命效果對比