DeepOFormer：用于疲劳寿命预测的基于域信息特征的深度算子学习
机器学习
2025-03-31 v1
摘要
疲劳寿命表征材料在特定环境条件下可在发生故障前功能持续的时间，传统上通过应力-寿命 (S-N) 曲线进行评估。虽然机器学习和深度学习为疲劳寿命预测提供了前景，但由于特定材料的疲劳实验数据量小，面临过拟合问题。为此，我们提出了 DeepOFormer，将 S-N 曲线预测表述为算子学习问题。DeepOFormer 通过 transformer-based 编码器和平均 L2 相对误差损失函数改进了深度算子学习框架。我们还考虑 Stussi、Weibull 和 Pascual and Meeker (PM) 特征作为域信息特征。这些特征是受经验疲劳模型启发而设计。为评估 DeepOFormer 的性能，我们将其与不同的深度学习模型和 XGBoost 在包含 54 条铝合金 S-N 曲线的数据集上进行比较。对于所选测试的七种铝合金，DeepOFormer 实现了 R2 为 0.9515，平均绝对误差为 0.2080，平均相对误差为 0.5077，显著优于包括 DeepONet、TabTransformer 和 XGBoost 等最先进的深度/机器学习方法。结果表明，集成域信息特征的 DeepOFormer 在铝合金疲劳寿命预测中显著提高了预测精度和泛化能力。
引用
@article{arxiv.2503.22475,
title = {DeepOFormer: Deep Operator Learning with Domain-informed Features for Fatigue Life Prediction},
author = {Chenyang Li and Tanmay Sunil Kapure and Prokash Chandra Roy and Zhengtao Gan and Bo Shen},
journal= {arXiv preprint arXiv:2503.22475},
year = {2025}
}
备注
6 pages, 4 figures