基于频域增强多视图网络的金属疲劳寿命预测
人机交互
2024-05-14 v1
摘要
疲劳损伤和失效在工程结构中广泛存在。然而，对各种结构材料在多轴加载路径下的疲劳寿命进行预测仍是一个具有挑战性的问题。提出一种新型的多视图深度学习模型，集成频域分析用于疲劳寿命预测。该模型由两个主要分析组件组成：一个用于分析多轴疲劳加载路径，另一个用于检查材料的机械性能和 specimen 的几何特征。在分析多轴疲劳加载路径的模块中，卷积神经网络 (CNN)、长短期记忆网络 (LSTM) 和 FNet 并行连接以分别提取特征。通过全连接神经网络 (FCNN) 提取材料和 specimen 的特征。随后，这两个部分的特征基于注意力机制进行充分集成，并连接到多个 FCNN 以完成疲劳寿命预测。已建立一个包含557个样本的数据库，覆盖46个多轴加载路径和19种金属材料，用于模型的训练和测试。此外，分别将6种材料用作测试集，以评估模型的外推能力。结果表明，所提出的模型表现出稳健的预测性能和外推能力。我们预计，多视图方法及其准确性和适用性可以为工程疲劳领域乃至更广泛的领域提供一种无与伦比的替代方案。
引用
@article{arxiv.2405.07506,
title = {Chronoblox: Chronophotographic Sequential Graph Visualization},
author = {Quentin Lobbé and Camille Roth and Lena Mangold},
journal= {arXiv preprint arXiv:2405.07506},
year = {2024}
}