3D打印网-中国3D打印门户移动版

     近日，西南交通大学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，并在力学和机械领域顶刊International Journal of Mechanical Sciences 221 (2022) 107185上发表题为“The potency of defects on fatigue of additively manufactured metals”的学术论文。

      论文主要提出了一种基于机器学习模型的四参数Wu-Withers（W-W参数，应力水平及缺陷尺寸、位置和形貌）疲劳寿命预测方法。本期谷.专栏将分享这一科研成果的主要内容。

西南交通大学二年级硕士生彭鑫为论文第一作者，吴圣川研究员和北京航空航天大学宝剑光博士后为通讯作者，英国皇家科学院和工程院两院院士Philip J. Withers和北京621所副总师郭广平为共同作者。
https://doi.org/10.1016/j.ijmecsci.2022.107185

 研究背景

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。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。

为此，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。

 主要思路

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。传统的力学方法在挖掘缺陷特征与疲劳寿命之间的物理规律方面具有局限性。数据驱动的机器学习方法为有效处理高维物理量之间的复杂非线性关系提供了契机。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，仅仅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。

论文在既有研究【Eng Fract Mech 242 (2021) 107508】基础上，针对激光粉末床熔融（L-PBF）增材制造AlSi10Mg铝合金特点，定义了多项裂纹源缺陷的特征参数（尺寸、位置、形貌），使其能够更加完整地表达L-PBF增材金属合金中缺陷的物理信息；进而结合其它物理模型尝试打开机器学习模型中的黑箱，以此尝试进行力学机理分析，为建立基于机器学习的疲劳寿命预测进行了有益探索。

同时，利用随机森林（RF）以及Pearson相关性分析方法减少了裂纹源缺陷的特征指标，在一定程度上降低了机器学习模型的数据维度，增加了机器学习模型的泛化能力，最终实现基于XGBoost模型的增材金属缺陷致疲劳寿命的影响性分析。

图 1：基于机器学习方法的增材铝合金缺陷致疲劳寿预测研究思路。

 研究结果

分析表明，基于机器学习XGBoost模型建立的考虑裂纹源缺陷特征（尺寸、位置和形貌）和应力水平的疲劳寿命预测模型，预测精度R2达到0.95，可见新预测模型对测试数据具有较好的泛化能力。此外，借助XGBoost算法对缺陷特征与疲劳寿命的关联程度进行分析，发现最大应力和裂纹源缺陷的是决定材料疲劳寿命的主要参数，验证了两参数Murakami模型的合理性。另外，面积相同的细长缺陷比圆形缺陷对疲劳寿命的影响更为显著。

通过对半经验的两参数（应力和缺陷尺寸）Murakami模型和新提出的四参数（应力、缺陷尺寸、位置和形貌）的X参数模型对比研究后发现，Murakami双参数模型基本可以给出一定精度的预测结果；而最新的四参数X参数模型同时考虑了缺陷位置和形貌参数，预测精度显著提高，也更符合理论预期，为重大装备的损伤容限设计提供了科学依据。例如，当重大装备运维策略中，不仅应充分考虑极限承载水平，而且要综合评判缺陷尺寸、位置和形貌的影响，而非仅仅依赖缺陷尺寸进行决策。

需要指出的是，高时空分辨的实验室CT和同步辐射CT的推广应用，将使得这一技术思路具有更强的可执行性。进一步地，基于此前提出的X参数模型对缺陷特征的技术重要程度分析后，发现基于试验数据的XGBoost模型选取与X参数模型相同的4个参数可以得到更为准确的预测效果，表明基于疲劳寿命数据的机器学习模型能够提取影响疲劳性能的本征物理信息，但是就如何打开其中的黑箱仍是关键性问题。

为此，采用特征分析方法对黑箱问题进行考察，可在一定程度上看见XGBoost模型所蕴含的物理意义，这与相关力学模型捕捉的影响疲劳性能的裂纹源缺陷特征基本一致，从而推进了基于机器学习模型的材料疲劳寿命预测研究的发展。论文把该模型定义为基于四参数Wu-Withers（W-W参数）的寿命预测模型，其优点是考虑并给出了增材缺陷与寿命关联的特征物理信息（尺寸>位置>形貌）。

值得注意的是，无论是两参数Murakami模型还是四参数Wu-Withers模型，预测精度与试验数据均有一定程度的偏差，部分原因应是材料组织和残余应力的贡献没有给予合理考虑，这将是未来工作方向。

图2：（a）XGBoost模型训练结果。（b）基于XGBoost模型获得的前4个特征在预测疲劳寿命中的百分比贡献。（c）使用X参数模型对增材金属的寿命预测（d）XGBoost模型与X参数模型的比较。

       这项研究创新性地通过机器学习方法建立了增材缺陷的物理特征与疲劳寿命之间的关联映射模型Wu-Withers参数，阐明了缺陷特征对疲劳寿命的影响程度，并与既有模型进行比较，验证了新模型的可靠性与合理性。研究结果为增材缺陷致疲劳寿命的可靠评估和准确预测提供了一种新思路，为建立基于物理意义的机器学习模型作出了有益探索。

      这项工作得到国家自然科学基金委大科学装置联合基金（U2032121）和重大项目（12192212）及欧洲研究理事会（695638）等项目的联合资助。这是该课题组2021年在工程断裂权威期刊Engineering Fracture Mechanics 242 (2021) 107508【欧洲ESIS执委会与Elsevier集团公开版权并推送至Harvard University全球最具影响力力学网站上：https://imechanica.org/blog/23810】发表的基于机器学习算法的增材材料及构件疲劳行为的第二篇研究论文。