基于 DCPD 疲劳数据预测渐进裂纹扩展的机器学习模型
应用物理
2021-11-18 v1 仪器与探测器
摘要
利用在不同温度下采集的直流电位降 (DCPD) 疲劳实验的时间历程数据，训练了一个双向长短期记忆神经网络 (BiLSTM) 模型。该模型以从裂纹萌生到巴黎区的高采样率实验数据进行训练。BiLSTM 模型能够预测中等温度和应力强度下的渐进裂纹扩展。该模型能够复现裂纹跳跃和整体裂纹扩展过程。BiLSTM 模型展示了作为未来研究基础机制（如高温氧化）和新损伤模型工具的潜力。
引用
@article{arxiv.2111.08841,
title = {A Machine Learning Model for Predicting Progressive Crack Extension based on DCPD Fatigue Data},
author = {Jacob Keesler-Evans and Ansan Pokharel and Robert Tempke and Terence Musho},
journal= {arXiv preprint arXiv:2111.08841},
year = {2021}
}