基于逻辑约束的强化符号学习用于涡轮叶片疲劳寿命预测
机器学习
2024-12-06 v1 人工智能
计算工程、金融与科学
摘要
准确预测涡轮叶片疲劳寿命对于确保航空发动机的安全和可靠性至关重要。该领域的一个重要挑战是揭示机械性能与疲劳寿命之间的内在关系。本文引入了强化符号学习（Reinforced Symbolic Learning, RSL）方法，通过该方法可推导将这些属性与疲劳寿命相关联的预测公式。RSL在符号优化过程中融入逻辑约束，确保生成的公式在物理上具有意义且具有可解释性。优化过程还通过深度强化学习得以增强，这种方法有效地引导符号回归朝着更精确的模型发展。本文对GH4169和TC4两种涡轮叶片材料进行了RSL方法的评估，以识别最佳疲劳寿命预测模型。与六个经验公式和五种机器学习算法比较后，RSL不仅产生更具可解释性的公式，而且在预测精度上实现了优异或相当的结果。此外，还进行了有限元仿真，以评估叶片关键部位的机械性能，然后用于在各种运行条件下预测疲劳寿命。
引用
@article{arxiv.2412.03580,
title = {Reinforced Symbolic Learning with Logical Constraints for Predicting Turbine Blade Fatigue Life},
author = {Pei Li and Joo-Ho Choi and Dingyang Zhang and Shuyou Zhang and Yiming Zhang},
journal= {arXiv preprint arXiv:2412.03580},
year = {2024}
}
备注
full-lenth article with 24 pages