申请/专利权人：华东理工大学

申请日：2021-04-28

公开（公告）日：2024-03-29

公开（公告）号：CN113361025B

主分类号：G06F30/17

分类号：G06F30/17;G06F30/27;G06F119/02;G06F119/04

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2021.09.24#实质审查的生效;2021.09.07#公开

摘要：本发明涉及一种基于机器学习的蠕变疲劳概率损伤评定方法，包括：S1：获得试样不同工况下的原始小样本；S2：利用SMOTE获得不同工况下的虚拟样本；S3：训练GRNN模型，并根据预测误差更新换代虚拟样本；S4：生成针对原始小样本的扩充样本，混合扩充样本和原始小样本并估计其寿命分布；S5：计算每周次蠕变疲劳损伤，通过蒙特卡洛模拟获得随机总蠕变损伤和总疲劳损伤；S6：计算安全包络线的可信度，得到蠕变疲劳概率损伤评定图。本发明的方法，考虑实际寿命的分散性，获得具体的寿命分布特征，从而得到了随机的总蠕变疲劳损伤和安全设计包络线的可信度，实现了由确定性设计到不确定性设计的过渡。

主权项：1.一种基于机器学习的蠕变疲劳概率损伤评定方法，其特征在于，包括以下步骤：S1：对一试样进行不同工况下的蠕变疲劳试验，获得试样不同工况下的蠕变疲劳寿命，形成不同工况下的原始小样本；S2：基于不同工况下的原始小样本利用合成少数类过采样技术分别获得不同工况下的虚拟样本；步骤S2包括：S21：分别将每种工况下的原始小样本中的蠕变疲劳寿命按照从小到大的顺序进行排列；S22：根据中位秩经验可靠度公式确定每种工况下每个蠕变疲劳寿命的经验可靠度；所述中位秩经验可靠度公式为： 其中，Rj为经验可靠度，j为原始小样本从小到大排序后的蠕变疲劳寿命的序号，1≤j≤4，n为每种工况下的原始小样本的样本数量；S23：将每种工况下的蠕变疲劳寿命及其对应的经验可靠度组合为每种工况下的整体样本；S24：对每种工况的整体样本采用合成少数类过采样技术生成虚拟样本；所述合成少数类过采样技术公式为：xi,new＝xij+rand0,1*|xij-xi,old|其中，xi,old为第i个工况下的整体样本中随机选择的一个初始分量，xij为第i个工况下的整体样本的其他初始分量，xi,new为第i个工况下的整体样本新产生的分量；S3：利用不同工况下的虚拟样本和原始小样本对广义回归神经网络模型进行训练，并根据广义回归神经网络模型的预测误差更新换代虚拟样本，当预测误差达到预定精度要求时停止更新并获得不同工况下的终代虚拟样本和最终广义回归神经网络模型；S4：分别利用不同工况下的最终广义回归神经网络模型生成针对每种工况原始小样本的扩充样本，混合每种工况下的扩充样本和原始小样本为全部寿命样本，根据每种工况下的全部寿命样本估计每种工况下的寿命分布；S5：利用能量密度耗散模型计算每种工况下的每周次蠕变疲劳损伤，结合每种工况下的寿命分布进行蒙特卡洛模拟获得随机总蠕变损伤和随机总疲劳损伤；步骤S5包括：S51：利用能量密度耗散模型计算每种工况下的每周次蠕变损伤与每周次疲劳损伤；S52：结合每种工况下的寿命分布，每种工况分别进行多次蒙特卡洛模拟得到各工况下的随机总蠕变损伤和随机总疲劳损伤；所述随机总蠕变损伤和所述随机总疲劳损伤满足如下关系式： 其中，为第i个工况下第k次蒙特卡洛模拟的蠕变疲劳寿命，dci和dfi分别为第i次工况下的每周次蠕变损伤和每周次疲劳损伤，和分别为第i个工况下第k次蒙特卡洛模拟的随机总蠕变损伤与随机总疲劳损伤；S6：利用所有工况下的随机总蠕变损伤和随机总疲劳损伤计算损伤评定图中安全包络线的可信度，得到蠕变疲劳概率损伤评定图；步骤S6包括：统计不同工况的随机总蠕变损伤点和随机总疲劳损伤点落在蠕变疲劳损伤评定图的连续型安全设计包络线内部的数量，获得连续型安全设计包络线的可信度；所述连续型安全设计包络线满足如下关系式： 其中n为连续型安全设计包络线的参数值。

全文数据：

权利要求：

百度查询： 华东理工大学 一种基于机器学习的蠕变疲劳概率损伤评定方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD