Predicción de acero inoxidable 316 bajo

Scientific Reports volumen 13, Número de artículo: 6753 (2023) Citar este artículo

691 Accesos

3 Altmetric

Detalles de métricas

La vida de fatiga de ciclo bajo del acero inoxidable 316 es una base importante para la evaluación de la seguridad. Por lo general, muchos factores afectan la vida de fatiga de ciclo bajo del acero inoxidable, y la relación entre los factores que influyen y la vida de fatiga es complicada y no lineal. Por lo tanto, es difícil predecir la vida a fatiga utilizando la fórmula empírica tradicional. En base a esto, se propone un algoritmo de aprendizaje automático. En este documento, basado en la gran cantidad de datos experimentales existentes, se utilizan métodos de aprendizaje automático para predecir la baja vida de fatiga circunferencial del acero inoxidable 316. Los resultados muestran que la precisión de predicción de los modelos nu-SVR y ELM es alta y puede satisfacer las necesidades de ingeniería.

El acero inoxidable 316 es un tipo ampliamente utilizado de acero inoxidable al cromo-níquel. Se utiliza comúnmente en el procesamiento de alimentos, equipos médicos, la industria nuclear, la producción química y otros campos con requisitos estrictos debido a su buen rendimiento de fatiga a altas temperaturas, dureza y resistencia a la corrosión. Dadas las condiciones de trabajo cada vez más complejas del acero inoxidable 316, su seguridad es una de las principales prioridades a tener en cuenta en las aplicaciones de ingeniería, y la falla por fatiga es una base importante para las evaluaciones de seguridad1,2. Es importante estudiar la predicción de la vida a fatiga de ciclo bajo. El modelo que se usa con más frecuencia para la predicción de la vida útil a fatiga de ciclo bajo del acero inoxidable 316 es el método tradicional de predicción de fórmula empírica. Los modelos principales son la teoría del daño acumulativo3, la tensión-deformación local4, el método de energía5 y el método de intensidad de campo6. En la predicción tradicional de la vida útil a la fatiga, la relación entre la vida útil a la fatiga y los factores que influyen se determina en función de una gran cantidad de experimentos, y la vida útil a la fatiga se predice aplicando una gran cantidad de fórmulas empíricas. El modelo tradicional de predicción de la vida útil a la fatiga con fórmula empírica tiene limitaciones graves, como la variedad de fórmulas empíricas, la baja precisión de la predicción, los costos experimentales elevados y repetidos y el largo tiempo de predicción; el desarrollo del aprendizaje automático ha proporcionado nuevas ideas para resolver estos problemas7,8,9,10,11,12,13,14,15,16.

El aprendizaje automático (ML) es un campo multidisciplinario que incorpora teorías de una variedad de disciplinas, que incluyen la teoría de la probabilidad, la estadística, la teoría de la aproximación, el análisis convexo, la complejidad algorítmica, etc.17. En términos simples, el aprendizaje automático es una forma de aprender a través de la simulación por computadora del aprendizaje humano, donde el aprendizaje automático entrena continuamente modelos a partir de datos, mejorando así su generalización18. Debido a las poderosas capacidades del aprendizaje automático, como el procesamiento y el análisis de datos, el método se ha utilizado ampliamente en los campos de la minería de datos, el reconocimiento automático de voz, la visión por computadora y la detección y el diagnóstico de fallas. En la actualidad, también tiene algunas aplicaciones en la predicción de la vida19,20,21,22. Sin embargo, hay pocos estudios sobre la predicción de la vida útil a la fatiga de ciclo bajo del acero inoxidable 316 utilizando un modelo de aprendizaje automático.

En este documento, el aprendizaje automático predice la vida de fatiga de ciclo bajo del acero inoxidable 316. En primer lugar, con base en los datos recopilados de la literatura, se resumen los efectos de factores como el factor de intensidad de la tensión, la amplitud de la deformación y la tensión residual en la vida de fatiga de ciclo bajo del acero inoxidable 316. En segundo lugar, se realizó un análisis de sensibilidad y un preprocesado de los datos recopilados para asegurar un modelo de predicción con menor error. Finalmente, se establecieron modelos de aprendizaje automático como la red neuronal BP, la red neuronal BP optimizada con algoritmo genético, la máquina de aprendizaje límite y la máquina de vector de soporte para predecir la vida útil de fatiga de ciclo bajo del acero inoxidable austenítico 316.

La Figura 123,24,25,26,27,28 muestra la influencia del factor de intensidad de tensión en la tasa de crecimiento de grietas bajo diferentes temperaturas y relaciones de tensión. Como se puede ver en la figura, sin importar si la relación de tensión es 0,1, 0,3 o 0,5, la tasa de crecimiento de grietas aumenta con un aumento en el factor de intensidad de la tensión a la misma temperatura, pero la tasa de aumento varía con la temperatura.

El factor de intensidad de la tensión afecta la tasa de crecimiento de grietas a diferentes temperaturas bajo (a) R = 0.1, (b) R = 0.3, (c) R = 0.5.

Las figuras 229, 30, 31, 32, 33 muestran curvas típicas de respuesta de tensión cíclica para diferentes amplitudes de deformación. Se puede observar que la caracterización cíclica del material está correlacionada con la amplitud de deformación. A una amplitud de deformación baja (0,2%), el material no muestra endurecimiento y los ciclos son más largos que otras amplitudes de deformación. A medida que aumenta la amplitud de la deformación (antes del 0,8 %), la respuesta del ciclo de tensión del material presenta dos fases. Sin embargo, a una amplitud de deformación alta, la respuesta cíclica del material presenta tres fases. Cuando la amplitud de la deformación es del 0,5 %, la tensión cae bruscamente y el número de ciclos es el más bajo. Puede verse en las figuras que, a medida que la amplitud de la deformación aumenta de 0,2 a 1,2 %, el tiempo de ciclo disminuye gradualmente de\({10}^{5}\)a\({10}^{3}\). La distribución de todos los datos es exponencial, que es típica de la distribución ε-N (ciclo de deformación) de la vida de fatiga de ciclo bajo del acero inoxidable.

La relación entre el estrés y los ciclos cíclicos bajo diferentes amplitudes de deformación.

Las tensiones residuales son las tensiones internas mutuamente equilibradas que existen dentro del material o la pieza cuando no se aplican fuerzas externas. La tensión residual incluye la tensión residual de compresión y la tensión residual de tracción. La tensión residual de compresión es beneficiosa para los materiales y puede inhibir eficazmente la propagación de grietas, mientras que la tensión residual de tracción es perjudicial para los materiales y debe eliminarse en la medida de lo posible. Si se lleva a cabo el tratamiento superficial del acero inoxidable 316, se puede aumentar la tensión de compresión residual. Si se continúa con el tratamiento de la superficie del acero inoxidable 316, la tensión de compresión residual provocará la relajación de la tensión bajo carga cíclica, lo que resultará en la reducción o incluso la desaparición del efecto de la tensión de compresión residual en el aumento de la vida de fatiga de los materiales34.

En este artículo, se estudia la predicción de la vida útil a fatiga de ciclo bajo del acero inoxidable 316. Los tres factores considerados anteriormente, la tasa de crecimiento de grietas, la deformación promedio y la tensión residual, se tomaron como datos de entrada del aprendizaje automático, y la vida de fatiga se tomó como datos de salida para establecer un modelo de predicción de aprendizaje automático. El número total de muestras fue de 500 grupos23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44 ,45,46,47,48,49,50. Debido a la gran cantidad de datos bibliográficos, solo se enumeran unos pocos estudios en las referencias.

El método Sobol51 se utilizó para estudiar el efecto de diferentes variables de entrada en la vida de fatiga del perímetro bajo del acero inoxidable 316. El núcleo del algoritmo de Sobol es descomponer la varianza total de la función objetivo en la varianza de un solo objetivo y múltiples parámetros objetivos.

Sea el modelo expresado como\(u=f\left(x\right)\), donde los parámetros del modelo\(x = x_{1} ,x_{2} , \ldots ,x_{n}\)son n -puntos discretos dimensionales y u es la salida52.

Si la función\(f\left(x\right)\)es productiva y\({x}_{i}\)obedece a una distribución uniforme en\(\left[0,1\right]\), entonces\( f\left(x\right)\)se puede expresar de la siguiente manera:

donde\(1\le {i}_{1}\ldots <{i}_{s}\le n \left(1\le s\le n\right)\), hay\({2}^ {n}\)términos en el número sumado. La ecuación (1) es la expresión de la descomposición de la varianza de la función\(f\left(x\right)\).

La varianza total del modelo también se puede descomponer como una combinación entre un parámetro y varios otros parámetros:

donde Var(Y) es la varianza total del modelo;\({Var(Y)}_{i}\)es la varianza generada por un parámetro\({x}_{i}\);\({Var( Y)}_{ij}\)es la varianza generada por la interacción de los parámetros\({x}_{i}\)y\({x}_{j}\); y\({Var(Y)}_{\mathrm{1,2},\cdots,n}\)es la varianza generada por la acción conjunta de nparámetros. Normalizando la ecuación anterior, la sensibilidad entre los parámetros se obtiene de la siguiente manera:

Entonces, la sensibilidad de orden completo del modelo se puede expresar de la siguiente manera:

Índice de sensibilidad de primer orden:\({S}_{i}=\frac{{Var(Y)}_{i}}{Var(Y)}\);

Índice de sensibilidad de segundo orden:\({S}_{ij}=\frac{{Var(Y)}_{ij}}{Var(Y)}\);

Total sensitivity index:\({S}_{Ti}=1-\frac{{Var(Y)}_{\sim i}}{Var(Y)}\).

Debido a los diferentes tipos de datos recopilados y las diferentes magnitudes de los datos, a menudo son discretos. Si se realiza una entrada de red, provocará la aniquilación de los datos y una pérdida de información. Para una mejor generalización, los datos recopilados se normalizaron mediante la siguiente fórmula53:

donde\(x\)y\({x}^{\mathrm{^{\prime}}}\)son los valores antes y después de la normalización de datos, respectivamente;\({x}_{min}\)y\ ({x}_{max}\) son los valores mínimo y máximo dentro de los datos de muestra recopilados, respectivamente.

La función aleatoria se usó para interrumpir el orden de la muestra, el número total de muestras fue de 500 grupos, se seleccionaron aleatoriamente 450 grupos como datos de entrenamiento y se usaron 50 grupos como datos de prueba.

La red neuronal BP (propagación inversa) es la red neuronal más básica; sus resultados de salida se propagan hacia adelante y el error se propaga hacia atrás. El umbral de potencia de la red neuronal se ajusta de acuerdo con el error de predicción. La unidad básica de una red neuronal es la neurona, y la arquitectura básica se compone de la capa de entrada, la capa oculta y la capa de salida. De acuerdo con el teorema de Kolmogorov, una estructura de red neuronal BP de tres capas tiene una sólida capacidad de mapeo no lineal y puede aproximarse a cualquier función no lineal54.

Dado que la red neuronal de BP utiliza el método de descenso de gradiente más rápido para aprender una red neuronal artificial, y los pesos y umbrales iniciales de la red neuronal de BP se generan aleatoriamente, es fácil caer en la solución local óptima durante el entrenamiento de la red neuronal de BP. red, lo que hace que el error de predicción sea grande y la capacidad de generalización del modelo no sea fuerte. Un algoritmo genético (AG) es principalmente un algoritmo de búsqueda y optimización global basado en simular el mecanismo de evolución biológica en la naturaleza, que a su vez puede resolver la red neuronal BP en el caso de condiciones locales óptimas55,56,57,58. El algoritmo optimiza el peso de la conexión y el umbral de la red neuronal BP. Todo el proceso se muestra en la Fig.3.

Algoritmo genético optimiza el proceso de la red neuronal BP.

Extreme Learning Machine (ELM) es un nuevo algoritmo de aprendizaje de una sola capa oculta Feedforward Neural Network (SLFN)59,60. ELM ajusta la cantidad de neuronas en la capa oculta sin ajustar otros umbrales de peso y la capa oculta. En comparación con otros modelos algorítmicos, ELM tiene las ventajas de un entrenamiento rápido y un buen rendimiento de generalización. Ahora se usa ampliamente en los campos de predicción de vida, confiabilidad y diagnóstico de fallas.

Dos teoremas fueron propuestos por Huang et al.59:

Dadas cualquier Q muestras distintas\(\left({x}_{i},{t}_{i}\right)\), donde\({x}_{i}={\left[{x}_ {i1},{x}_{i2},\puntos {x}_{im}\derecha]}^{T}\en {R}^{n},{t}_{i}=\izquierda[ {t}_{i1},{t}_{i2},\dots {t}_{im}\right]\in {R}^{m}\)y una función de activación infinitamente diferenciable de intervalo arbitrario:\( R\to R\), luego para un SLFN con Q neuronas de capa oculta, con cualquier asignación\({w}_{i}\in {R}^{n}\)and\({b}_{i} \in R\), su matriz de salida de capa ocultaHis invertible y tiene\(\Vert H\beta -{T}^{^{\prime}}\Vert =0\).

Dadas cualquier Q muestras distintas\(\left({x}_{i},{t}_{i}\right)\), donde\({x}_{i}={\left[{x}_ {i1},{x}_{i2},\puntos {x}_{im}\derecha]}^{T}\en {R}^{n},{t}_{i}=\izquierda[ {t}_{i1},{t}_{i2},\dots {t}_{im}\right]\in {R}^{m}\), y dado cualquier pequeño error\(\varepsilon > 0\), y un intervalo arbitrario infinitamente diferenciable función de activación:\(R\to R\), siempre existe un SLFN que contiene K(K≤Q) neuronas de capa oculta con\(\Vert {H}_{N\times M }{\beta }_{M\times m}-{T}^{^{\prime}}\Vert <\varepsilon\)para cualquier asignación\({w}_{i}\in {R}^{ n}\)y\({b}_{i}\en R\).

Los pesos y sesgos se generan aleatoriamente antes del entrenamiento ELM, por lo que solo se debe determinar el número de neuronas de capa oculta y la función de activación para calcular β. Los pasos son los siguientes:

Determine el número de neuronas en la capa oculta y establezca el sesgo de la barra de pesob.

Establezca la función de activación como una función infinitamente diferenciable y luego calcule la matriz de salida H de la capa oculta.

Calcule los pesos de la capa de salida\(\beta :\widehat{\beta }={H}^{+}{T}^{^{\prime}}\).

Support Vector Machine (SVM) se utiliza a menudo en problemas de clasificación y regresión no lineal. La idea principal es encontrar la distancia geométrica máxima controlando la función distancia, lo que significa que la función distancia es la restricción y la distancia geométrica es la función objetivo. La arquitectura del algoritmo SVM se muestra en la Fig. 4: donde K es la función del kernel, y sus principales tipos son los siguientes:

Función kernel lineal:\(k\left( {x_{i} ,x_{j} } \right) = x_{i}^{T} x_{j}\);

Función kernel polinomial:\(k\left( {x_{i} ,x_{j} } \right) = \left( {x_{i}^{T} x_{j} } \right)^{d}\ );

Función kernel gaussiana:\(k\left( {x_{i} ,x_{j} } \right) = \exp \left( { - \frac{{||x_{i} - x_{j} ||^ {2} }}{{2\sigma^{2} }}} \derecha)\);

La función kernel de Laplace:\(k\left( {x_{i} ,x_{j} } \right) = \exp \left( { - \frac{{||x_{i} - x_{j} || }}{\sigma }} \derecho)\);

Función del núcleo sigmoide:\(k\left( {x_{i} ,x_{j} } \right) = \tanh \left( {\beta x_{i}^{T} x_{j} + \theta } \ bien)\).

Estructura del sistema SVM.

Parámetros como el número de neuronas de capa oculta, el tipo de función de activación y el algoritmo de retropropagación afectan el rendimiento de predicción de la red neuronal BP. Se controlan los parámetros de la red neuronal BP, se seleccionan neuronas de 1 a 20 dimensiones, la función tansig y la función logsin se comparan, y la función tansig tiene una mayor precisión de predicción que la función logsin. Se comparan el algoritmo de retropropagación LM (Levenberg-Marquardt), el algoritmo GD (descenso de gradiente) y el algoritmo GDA (descenso de gradiente con tasa de aprendizaje adaptable). Se encuentra que el algoritmo LM tiene una mayor precisión de predicción. Cuando se determina que la neurona de parámetro óptimo es 10, se selecciona la función tansig para la función de capa oculta y se elige el algoritmo LM. El resultado de la predicción se muestra en la Fig. 5, y se puede ver que el valor predicho está básicamente dentro de la banda de error de dos veces.

Resultados del entrenamiento de la red neuronal BP.

Los parámetros del algoritmo genético se establecieron de la siguiente manera: maxgen = 100, sizepop = 30, pcross = 0,3 y pmutation = 0,1. Los errores de predicción de la muestra de prueba de dos modelos (50 grupos) se muestran en la Fig. 6, que muestra que la red neuronal de BP es la que más fluctúa. La red neuronal GA-BP fluctúa dentro del 2% de error relativo, y el efecto de entrenamiento es más adecuado que la red neuronal BP.

Los errores de predicción de la muestra de prueba de los dos modelos.

En la predicción ELM, la selección correcta de parámetros es crucial para los resultados de la predicción. La selección de parámetros de ELM incluye principalmente la selección de parámetros internos y de entrada. Los parámetros de entrada son principalmente la selección del volumen de datos, y los parámetros internos son los factores clave que afectan la capacidad de predicción de ELM. Los parámetros internos son principalmente la función de activación y el número de neuronas en la capa oculta; en términos relativos, el efecto de la función de activación sobre ELM es menor que el efecto del número de neuronas en la capa oculta. De acuerdo con los Teoremas 1 y 2, cuantas más neuronas haya en la capa oculta, más probable es que SLFN se aproxime a todas las muestras de entrenamiento con cero error, y mejores serán los resultados obtenidos por la predicción ELM. Sin embargo, cuando la cantidad de neuronas en la capa oculta es lo suficientemente grande, afectará el rendimiento de generalización de ELM. Como se muestra en la Fig. 7, la precisión del conjunto de prueba muestra que la precisión alcanza su punto máximo en un valor específico a medida que aumenta la cantidad de neuronas de la capa oculta, y la precisión del conjunto de entrenamiento disminuirá si la cantidad de neuronas de la capa oculta continúa aumentando. . Por lo tanto, es necesario elegir el número apropiado de neuronas de capa oculta para lograr la precisión de predicción óptima de ELM.

La influencia del número de neuronas de capa oculta en el rendimiento de ELM.

Se realizó un análisis de regresión de la vida de fatiga del perímetro bajo del acero inoxidable 316 utilizando la caja de herramientas de máquina de vectores de soporte LIBSVM desarrollada en la literatura49. Se seleccionaron dos modelos de máquinas de vectores de soporte de regresión (epsilon-SVR y nu-SVR) para la predicción de la vida, ambos elegidos con funciones kernel de base radial gaussiana. Al resolver el problema con SVM, la selección de parámetros afecta significativamente la predicción de SVM. Para los dos modelos de regresión anteriores, existen coeficientes de penalizaciónC y parámetros de función kernelg. El método de validación cruzada (CV) puede encontrar los parámetros Candg, y el Candgobtained puede evitar los estados de subaprendizaje y sobreaprendizaje y, finalmente, lograr una precisión superior en la predicción del conjunto de datos. Como se muestra en la Fig. 8, el coeficiente de penalización Cdentro de la selección aproximada es pequeño, y el error cuadrático medio (MSE) de la selección fina tiene un error menor que la selección aproximada. Los mejores parámetros se establecen de la siguiente manera: coeficiente de penalización C= 1,4142, parámetro de función kernel g= 1,6245 y coeficiente de insensibilidad p= 0,01. Estos parámetros se utilizan para construir el modelo de predicción de la máquina de vectores de soporte.

Resultado de la selección de parámetros (diagrama de selección aproximada frente a mapa de selección fina).

La precisión de predicción R2 de varios modelos se muestra en la Fig.9. Se puede ver que el modelo de predicción de BP tiene un efecto pobre, mientras que el modelo de predicción nu-SVR tiene el mejor efecto.

Precisión de la predicción del modelo.

Este documento analiza tres factores que afectan la vida de fatiga del acero inoxidable 316. La influencia del factor de intensidad de tensión sobre la tasa de fisuración bajo diferentes temperaturas y relaciones de tensión se discute en el primer factor. El segundo factor compara la relación entre la amplitud de la deformación y los tiempos de ciclo. El tercer factor analiza la relación entre la tensión de carga, la relación de tensión, los tiempos de ciclo y la tensión residual.

Para abordar el problema del gran error entre el método tradicional de cálculo de la vida útil a fatiga del material y el valor real, en este documento se estableció un modelo de predicción de vida útil a fatiga de ciclo bajo del acero inoxidable 316 basado en el aprendizaje automático. El modelo tomó la tasa de crecimiento de grietas, el estrés promedio y el estrés residual como datos de entrada y la vida de fatiga como datos de salida.

En comparación con el modelo centralizado propuesto en este documento, el efecto de predicción de la red neuronal BP fue pobre. El efecto de predicción del modelo nu-SVR fue el mejor, seguido del ELM, y el R2 alcanzó 0.945 y 0.936, respectivamente, lo que cumplió con las necesidades del proyecto.

Suresh, S. Fatiga de materiales (II) (Prensa de la industria de defensa nacional, 1999).

Google Académico

Wang, Y.et al.Un modelo para predecir la vida útil restante de los ejes con defectos en función de las características de fatiga de ciclo bajo.J. Railw.40(11), 27–32 (2018).

Google Académico

Miner, MA Daño acumulativo en fatiga.J. aplicación Mec. 12 (3), 159–164 (1945).

Artículo Google Académico

Neuber, H. Teoría de la concentración de tensión para cuerpos prismáticos deformados por cizalla con ley de tensión-deformación no lineal arbitraria.J. aplicación Mech.28 (4), 544–550 (1961).

Artículo ADS MathSciNet MATH Google Scholar

Molski, K. & Glinka, G. Un método de cálculo de tensión y deformación elástico-plástica en una raíz de muesca. Mater. ciencia Eng.50(1), 93–100 (1981).

Artículo CAS Google Académico

Yao, W. Análisis de la vida útil a la fatiga de las estructuras (Prensa de la industria de defensa, 2003).

Google Académico

Tian, L., Luo, Y. & Wang, Y. Red neuronal BP optimizada basada en un algoritmo genético para el modelo de predicción del tamaño de soldadura TIG. Universidad J. Shanghai jiao tong. 47(11), 1690–1699 (2013).

Google Académico

Xiong, Y. & Cen, K. Predicción de la vida de fatiga multiaxial de la aleación de magnesio mediante una red neuronal basada en la suma de cuadrados del error relativo.J. mecánico Eng.52(4), 73–81 (2016).

Artículo Google Académico

Srimant, KM, Anitarani, B. y Krishna, D. Predicción de la vida útil a la fatiga de ciclo bajo de la aleación de Al-Si-Mg utilizando un enfoque de red neuronal artificial. Trans. Institución India. Met.69(2), 597–602 (2016).

Artículo Google Académico

Li, SB & Cao, YQ Aplicación de redes neuronales en la predicción de la vida a fatiga de barras de acero oxidadas.J. Universidad de Shandong. Constr.25(3), 259–262 (2010).

Google Académico

Yan, C., Hao, Y. y Liu, K. Predicción de la vida útil a la fatiga del material basada en la red neuronal BP optimizada por algoritmo genético.J. Universidad de Jilin.44(6), 1710–1715 (2014).

Google Académico

Liu, Q., Shi, W. & Chen, Z. Predicción de la vida útil a la fatiga del caucho utilizando un método de bosque aleatorio y un modelo de daño por fatiga acumulada no lineal.J. aplicación polim. Sci.137(9), 48519 (2020).

Artículo CAS Google Académico

He, L.et al.Predicciones basadas en el aprendizaje automático de la vida útil a la fatiga y el límite de fatiga para aceros.J. Mate. ciencia Technol.90(10), 9–19 (2021).

Artículo Google Académico

Zhou, N.et al.Algoritmo genético acoplado con la red neuronal para las propiedades de fatiga de la predicción de uniones soldadas.J. Comput.7 (8), 1887–1894 (2012).

Artículo Google Académico

Liu, L., Xuan, F., Dong, D. et al. Predicción de la vida a fatiga uniaxial de materiales basada en máquinas de vectores soporte. Actas de la Conferencia sobre daños materiales/fracturas a través del Estrecho de 2010 y el 10.° Simposio científico sobre daños/Octava Conferencia nacional sobre pruebas de materiales MTS934–939 (2010).

Zhan, Z., Gao, T., Liu, C. et al. Predicción de la vida de fatiga basada en datos de aleaciones de aluminio fabricadas de forma aditiva.J. Mec. Sólido. 1–17. https://doi.org/10.19636/j.cnki.cjsm42-1250/o3.2022.045 (2022).

Gao, L., Du, Y. & Lu, J. Una introducción al aprendizaje automático. Cast. Equipar. Proceso.23(6), 41–43 (2021).

Google Académico

Pei, H.et al.Una revisión de los métodos basados en el aprendizaje automático para predecir la vida útil restante del equipo.J. mecánico Eng.55(8), 1–13 (2019).

Artículo Google Académico

Li, Z.et al.Predicción de la vida a la fatiga del cigüeñal basada en la optimización del algoritmo genético de la red neuronal.J. North Central Univ.37(4), 401–406 (2016).

MathSciNet CAS Google Académico

Dong, Y.et al.Experimento de fatiga por fluencia y estudio de predicción de la vida útil de la aleación de aluminio del pistón 2A80.Materials14(6), 1403–1423 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Zhang, X., Gong, J. y Xuan, F. Método de predicción de la vida útil de las fracturas por fluencia basado en el aprendizaje automático. Prensa. Vessel38(7), 48–57 (2021).

Google Académico

Su, K.et al. Predicción de la vida a la fatiga y el comportamiento de relajación de la tensión residual de la aleación 25CrMo de granallado basada en la red neuronal. Rare Metal Mater. Eng.49(8), 2697–2705 (2020).

CAS Google Académico

Jin, D.et al.Caracterización y predicción de la vida a la fatiga del acero inoxidable 316L no Masing.China Mech. Ing.31(24), 2931 (2020).

Google Académico

Nasir, V. & Sassani, F. Una revisión del aprendizaje profundo en el mecanizado y el control de herramientas: métodos, oportunidades y desafíos. Int. j adv. Fabricación Technol.115(9), 2683–2709 (2021).

Artículo Google Académico

Jain, A.et al.Commentary: The Materials Project: Un enfoque de genoma de materiales para acelerar la innovación de materiales.APL Mater.1(1), 011002 (2013).

Artículo ANUNCIOS Google Académico

Zhou, T., Song, Z. & Sundmacher, K. Big data crea nuevas oportunidades para la investigación de materiales: una revisión de los métodos y aplicaciones del aprendizaje automático para el diseño de materiales.Engineering5(6), 1017–1026 (2019).

Artículo CAS Google Académico

Babu, MN & Sasikala, G. Efecto de la temperatura en el comportamiento de crecimiento de grietas por fatiga de SS316L(N).Int. J. Fatiga140, 105815 (2020).

Artículo CAS Google Académico

Zhang, J. & Ma, Y. Comparación de tres modelos de tasa de expansión de grietas por fatiga.Lab. Res. Explor.31(8), 35–38 (2012).

Google Académico

Jin, D., Li, J. & Tian, D. Análisis de tiempo de deformación dinámica en fatiga uniaxial de acero inoxidable 316L.J. Mate. Res.30(7), 496–502 (2016).

CAS Google Académico

Chen, L.et al.Estudio sobre el bajo rendimiento de fatiga perimetral del acero inoxidable 316 a temperatura ambiente y 350 °C.Nucl. Power Eng.38(3), 51–55 (2017).

Google Académico

Chen, Z.et al.Propiedades mecánicas del acero inoxidable 316N bajo carga de amplitud variable.Metal Heat Treat.43(4), 230–234 (2018).

CAS Google Académico

Mehrabi, H. & Shariati, M. Predicción basada en energía de la vida de fatiga de ciclo bajo del acero CK45 y el acero inoxidable SS316.J. Solid Mech.6(3), 278–288 (2014).

Google Académico

Poonguzhali, A., Ningshen, S. y Amarendra, G. Iniciación de grietas por fatiga por corrosión de soldadura tipo 316N bajo la influencia de la amplitud de tensión cíclica.Met. Mate. Int.26(10), 1545–1554 (2020).

Artículo CAS Google Académico

Kim, JC, Cheong, SK & Noguchi, H. Relajación de tensión residual y comportamiento de fatiga de ciclo alto y bajo del acero al carbono medio granallado. Int. J. Fatiga56(11), 114–122 (2013).

Artículo CAS Google Académico

Abarkan, I.et al.Estudios numéricos y analíticos del comportamiento a fatiga de ciclo bajo del acero inoxidable austenítico 316 LN.J. Prensa. Vessel Technol.144(6), 061507 (2022).

Artículo CAS Google Académico

Goyal, S.et al. Una evaluación comparativa del comportamiento de deformación por fatiga de 316 LN SS a temperatura ambiente y alta. Mater. ciencia Ing. A696(1), 407–415 (2017).

Artículo CAS Google Académico

Lewis, SRet al.Pruebas a gran escala de vía férrea revestida con láser; Estudio de caso: prueba de desgaste, fatiga por flexión e integridad de labio de juntas de bloques aislados. Wear376, 1930–1937 (2017).

Artículo Google Académico

Xu, W.et al.Revisión: Relación entre la organización adecuada de la austenita y las propiedades de fatiga en acero.J. Metals56(4), 459–475 (2020).

CAS Google Académico

Lv, X.et al.Expansión de grietas por fatiga en aceros inoxidables austeníticos fundidos.J. Ing. Sci.37(1), 57–63 (2015).

Google Académico

Sasikala, G. & Babu, MN Comportamiento de crecimiento de grietas por fatiga de aceros ferríticos y austeníticos a temperaturas elevadas. Mol. BioSyst.3(2), 182–209 (2014).

Google Académico

Ye, D.et al.La fatiga de ciclo bajo, la deformación y el comportamiento de fractura final de un acero inoxidable austenítico.Mater. ciencia Ing. A415(1), 104–117 (2006).

Artículo Google Académico

Tan, J.et al.Análisis de elementos finitos de propiedades cíclicas y predicción de la vida útil a la fatiga del acero inoxidable 316L.Mech. Fuerza39(2), 307–310 (2017).

Google Académico

Zhong, W.et al.Estudio sobre el comportamiento de fatiga de ciclo bajo a temperatura ambiente del acero inoxidable 316LN doméstico.Therm. Proceso. Technol.46(8), 66–68 (2017).

Google Académico

Yuan, X. Estudio del comportamiento de deformación cíclica y propiedades de fatiga del acero inoxidable austenítico forjado 316LN. Universidad de Tianjin (2017).

Dutta , A. , Dhar , S. & Acharyya , S. Caracterización del material de SS 316 en carga de fatiga de ciclo bajo.J. Mate. Sci.45(7), 1782–1789 (2010).

Artículo ADS CAS Google Académico

Agrawal, R.et al.Comportamiento de fatiga de ciclo bajo del acero inoxidable 316 LN en presencia de muesca.Trans. Institución India. Met.69(2), 457–461 (2016).

Artículo Google Académico

Maleki, E., Unal, O. & Kashyzadeh, KR Predicción y análisis del comportamiento de fatiga de aceros al carbono suaves granallados. J. Fatiga116, 48–67 (2018).

Artículo CAS Google Académico

Peng, J.et al.Fatiga y comportamiento plástico cíclico del acero inoxidable austenítico 316L bajo carga asimétrica.J. Met.55(6), 773–782 (2019).

CAS Google Académico

Liu, K. Efecto de la amplitud de la deformación sobre el bajo rendimiento de fatiga circunferencial del acero inoxidable 316 que contiene una capa metamórfica. Universidad de Zhengzhou (2019).

Roland, T.et al.Mejora de la vida útil a la fatiga a través de la nanoestructuración de la superficie del acero inoxidable mediante el tratamiento de desgaste mecánico de la superficie.Scr. Mater.54(11), 1949–1954 (2006).

Artículo CAS Google Académico

Saltelli, A. & Sobol', IM Análisis de sensibilidad para modelos matemáticos no lineales: experiencia numérica. Mat. Modelo.7(11), 16–28 (1995).

MathSciNet MATEMÁTICAS Google Académico

Chang, X.et al.Análisis de sensibilidad de los parámetros del modelo SWMM basado en el método Sobol.J. Energía hidroeléctrica37(3), 10 (2018).

Google Académico

Wu, Q. Estudio de predicción de las propiedades mecánicas del acero microaleado impulsado por Data-Driven. Universidad de Ciencia y Tecnología de Wuhan (2019).

Xiang, KL, Xiang, PY & Wu, YP Predicción de la vida de fatiga de compuestos de caucho natural mediante enfoques de redes neuronales artificiales. Mater. Des.57, 180–185 (2014).

Artículo CAS Google Académico

Zhao, C.et al. Optimización de los parámetros de proceso de materiales TC4 basados en el algoritmo genético de redes neuronales para la molienda de partículas magnéticas. Surf. Technol.49(2), 316–321 (2020).

Google Académico

Ma, LM, Li, DF & Guo, HX Red neuronal BP basada en un algoritmo genético aplicado en el pronóstico de producción de petróleo crudo: tomando como ejemplo el área de prueba BED del campo petrolífero de Daqing. Matemáticas. Practica Teoría 45 (24), 117–128 (2015).

Google Académico

Zhang, Z., Zhang, Y. & Chen, S. Modelo de temperatura basado en la red neuronal Genetic BP para la soldadura por fricción de agitación. Termia. Proceso. Tecnología 49(3), 142–145 (2020).

ADS CAS Google Académico

Ren, X. Estudio de optimización de la red neuronal BP basado en algoritmo genético y simulación MATLAB. Universidad Normal de Tianjin (2014).

Huang, GB, Zhu, QY & Siew, CK Máquina de aprendizaje extremo: un nuevo esquema de aprendizaje de redes neuronales de avance. En 2004, Conferencia Conjunta Internacional IEEE sobre Redes Neuronales, vol. 2 985–990 (IEEE, 2004).

Chang, CC & Lin, CJ LIBSVM: Una biblioteca para máquinas de vectores de soporte. ACM Trans. Intel. sist. Technol.2(3), 27–28 (2007).

ANUNCIOS Google Académico

Descargar referencias

Escuela de Ingeniería Mecánica y Eléctrica, Universidad Tecnológica de Lanzhou, Lanzhou, 730050, China

Hongyan Duan, Mengjie Cao, Lin Liu, Shunqiang Yue, Hong He, Yingjian Zhao, Zengwang Zhang y Yang liu

Instituto de Ingeniería de Bombas y Válvulas de Wenzhou, Universidad Tecnológica de Lanzhou, Lanzhou, China

Duan Hongyan

También puede buscar este autor en PubMed Google Scholar

HD y MC escribieron el texto principal del manuscrito, LL y SY recolectaron literatura y datos, HH e YZ prepararon las figuras 1, 2, 3, 4 y 5, y ZZ e YL prepararon las figuras 6, 7 y 8. Todos los autores revisaron el manuscrito.

Correspondencia a Hongyan Duan.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Duan, H., Cao, M., Liu, L. et al. Predicción de la vida de fatiga de ciclo bajo del acero inoxidable 316 basada en el aprendizaje automático. Informe científico 13, 6753 (2023). https://doi.org/10.1038/s41598-023-33354-1

Descargar cita

Recibido: 28 diciembre 2022

Aceptado: 12 abril 2023

Publicado: 25 abril 2023

DOI: https://doi.org/10.1038/s41598-023-33354-1

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Blog