基于机器学习的金属合金疲劳寿命预测与不确定性量化
机器学习
2025-01-28 v1 材料科学
摘要
近年来，基于机器学习的方法在材料科学中展示了巨大的潜力，以实现更好的属性预测。然而，由于材料建模的内在复杂性，可靠估计预测值的置信区间仍是一个挑战。这项研究引入了一种新方法，用于基于将物理知识与机器学习模型集成来对金属材料的疲劳寿命进行不确定性量化。该方法采用基于巴斯文（Basquin）疲劳模型估计的物理基础输入特征来增强实验收集的疲劳寿命数据。此外，引入一种物理感知损失函数，用于强制执行所考虑材料疲劳寿命估计值的边界约束。对来自钛合金和碳钢合金的疲劳寿命测试数据集进行的实验验证表明，所提出方法的有效性。物理模型与数据驱动模型之间的协同作用提高了预测值的一致性，并改进了不确定性区间估计。
引用
@article{arxiv.2501.15057,
title = {Predictive Modeling and Uncertainty Quantification of Fatigue Life in Metal Alloys using Machine Learning},
author = {Jiang Chang and Deekshith Basvoju and Aleksandar Vakanski and Indrajit Charit and Min Xian},
journal= {arXiv preprint arXiv:2501.15057},
year = {2025}
}