基于循环神经网络（RNNs）的铝7075-T6合金高周数S-N曲线预测
机器学习
2025-10-07 v1 材料科学
应用物理
摘要
铝是一种广泛使用的合金，易发生疲劳失效。 characterize 疲劳性能对于材料而言极其耗时且成本高昂，尤其是高周数数据。为缓解这一困难，已开发出基于长短期记忆网络（LSTM）的迁移学习框架，其中基于铝7075-T6合金的纯轴向疲劳数据训练的源 LSTM 模型，然后用于预测高周数扭转S-N曲线。该框架能够准确预测 Al 扭转S-N 曲线，覆盖更高的循环范围。人们相信，该框架将有助于大幅降低收集不同材料疲劳特性的成本，并帮助在更具成本和时间约束条件下优先进行测试。
引用
@article{arxiv.2510.03355,
title = {High Cycle S-N curve prediction for Al 7075-T6 alloy using Recurrent Neural Networks (RNNs)},
author = {Aryan Patel},
journal= {arXiv preprint arXiv:2510.03355},
year = {2025}
}