利用搅拌摩擦加工件中稀疏表征数据生成残余应力分布的机器学习方法
机器学习
2025-06-11 v1 计算工程、金融与科学
摘要
加工后残留在构件内的残余应力会降低构件性能。准确确定其全场分布对于优化结构完整性与使用寿命至关重要。然而，全场表征所需的实验工作量是不切实际的。鉴于这些挑战，本文提出了一种基于机器学习(ML)的残余应力生成器(RSG)，以从有限测量中推断全场的应力分布。首先通过使用多样化参数集进行大量工艺模拟，构建了一个广泛的数据集。随后训练了一个基于U-Net架构的ML模型，通过系统的超参数调优来学习其潜在结构。接着，评估了该模型生成模拟应力的能力，并最终在实际表征数据上进行了测试以验证其有效性。该模型对模拟应力的预测表明，它实现了出色的预测精度并展现出显著的泛化能力，表明它成功学习了残余应力分布的潜在结构。RSG在预测实验表征数据方面的性能突出了所提方法的可行性，即从有限测量中提供对残余应力分布的全面理解，从而显著减少实验工作量。
引用
@article{arxiv.2506.08205,
title = {A Machine Learning Approach to Generate Residual Stress Distributions using Sparse Characterization Data in Friction-Stir Processed Parts},
author = {Shadab Anwar Shaikh and Kranthi Balusu and Ayoub Soulami},
journal= {arXiv preprint arXiv:2506.08205},
year = {2025}
}