1. 研究背景

結(jié)構(gòu)鋼的疲勞失效是機(jī)械工程領(lǐng)域的重大挑戰(zhàn)，傳統(tǒng)方法（如基于S-N曲線的線性Palmgren-Miner模型）無法充分捕捉非線性疲勞行為與載荷序列效應(yīng)。近年來，人工智能（AI）與機(jī)器學(xué)習(xí)（ML）技術(shù)為疲勞壽命預(yù)測(cè)提供了新思路，但現(xiàn)有研究多聚焦單一材料或復(fù)雜深度學(xué)習(xí)模型，缺乏對(duì)多種鋼材的通用性模型及計(jì)算效率的對(duì)比分析。

2. 研究方法

數(shù)據(jù)來源

• 采用日本國(guó)立材料科學(xué)研究所（NIMS）數(shù)據(jù)庫(kù)及挪威斯塔萬格大學(xué)（UiS）實(shí)驗(yàn)數(shù)據(jù)，涵蓋5種結(jié)構(gòu)鋼（S25C-S55C）及NV D36鋼，共2794組數(shù)據(jù)。

• 特征包括材料機(jī)械性能（抗拉強(qiáng)度、硬度等）、熱處理參數(shù)（正火/淬火/回火溫度）及實(shí)驗(yàn)條件（應(yīng)力幅值、載荷類型），排除冗余化學(xué)成分特征。

預(yù)處理與特征選擇

• 數(shù)據(jù)清洗：剔除缺失值，用IQR法處理異常值。

• 對(duì)數(shù)變換：對(duì)目標(biāo)變量"失效循環(huán)次數(shù)"進(jìn)行l(wèi)og10轉(zhuǎn)換，使其分布接近正態(tài)。

• 特征篩選：

• 相關(guān)性分析：剔除高度線性相關(guān)特征（如"抗拉強(qiáng)度"與"0.2%屈服應(yīng)力"，相關(guān)系數(shù)>90%）。

• 互信息分析：篩選與目標(biāo)變量非線性相關(guān)性的8個(gè)特征（如"應(yīng)力幅值"、"硬度"）。

機(jī)器學(xué)習(xí)模型

• 對(duì)比四種回歸算法：

• 多項(xiàng)式回歸（三階）：線性計(jì)算高效。

• 支持向量回歸（SVR）：核函數(shù)選擇RBF，超參數(shù)經(jīng)網(wǎng)格搜索優(yōu)化（C=1000, γ=0.1, ε=0.1）。

• XGBoost回歸：樹最大深度=5，樹數(shù)量=1500，學(xué)習(xí)率=0.01。

• 人工神經(jīng)網(wǎng)絡(luò)（ANN）：四層隱藏層（各256神經(jīng)元），30% Dropout，Adam優(yōu)化器。

評(píng)估指標(biāo)

• 均方誤差（MSE）、均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、決定系數(shù)（R2）。

3. 結(jié)果

• 模型性能排名：

• XGBoost綜合（MSE=0.06934, R2=0.73893）。

• SVR次之（MSE=0.070431）。

• 多項(xiàng)式回歸與ANN效果接近（MSE≈0.071），但多項(xiàng)式回歸計(jì)算成本顯著更低。

• 殘差分析：所有模型預(yù)測(cè)誤差集中在±0.3 log10范圍內(nèi)。

• 關(guān)鍵發(fā)現(xiàn)：

• XGBoost能高效捕捉非線性疲勞行為。

• 多項(xiàng)式回歸在精度接近ANN的前提下，計(jì)算資源需求降低90%，適合資源受限場(chǎng)景。

4. 結(jié)論??

1. XGBoost是預(yù)測(cè)結(jié)構(gòu)鋼疲勞壽命的模型，精度最高。

2. 多項(xiàng)式回歸是計(jì)算資源的理想替代方案。

3. 所有ML模型均優(yōu)于傳統(tǒng)線性方法，能有效整合材料屬性、工藝參數(shù)與實(shí)驗(yàn)條件，提升預(yù)測(cè)魯棒性。

?? 創(chuàng)新點(diǎn)

1. 系統(tǒng)對(duì)比四種ML算法在多類型鋼材疲勞預(yù)測(cè)中的性能，突破單一材料局限。

2. 結(jié)合非線性損傷理論（如Pavlou提出的"S-N損傷包絡(luò)線"），增強(qiáng)模型物理可解釋性。

3. 提出特征工程框架：通過互信息分析量化微觀損傷機(jī)制對(duì)壽命的影響。