关键词:
增材制造
疲劳寿命
连续损伤力学
神经网络
知识-数据双驱动
摘要:
传统的力学模型与新兴的数据驱动模型目前广泛用于增材制造的疲劳寿命预测中.其中,以连续损伤力学(Continuum Damage Mechanics, CDM)为代表的传统模型寿命预测模型存在着精度低、适用范围有限等问题,而以神经网络(Artificial Neural Network, ANN)为代表的数据驱动模型则始终受限于小样本工况.为解决上述问题,融合物理知识和数据信息的知识-数据双驱动模型近年来发展迅速.以此类双驱动模型为研究目标,本文以激光粉末床熔融成型(Laser Powder Bed Fusion, LPBF)AlSi10Mg合金为研究对象,构建了可自动标定的CDM模型,并将其与基于ANN的数据驱动模型在各种工况下进行了结合,再进一步通过特征融合、参数融合和输出融合方法的手段,构建了三类以CDM模型与ANN模型为基础的知识-数据双驱动模型,并量化分析了它们在预测精度和数据需求等方面的性能.研究结果表明:基于参数融合的模型,训练数据修正作用较为显著,在预测精度方面受CDM模型影响最小,并在CDM模型拟合结果较差时也能确保一定精度;基于特征融合的双驱动模型能最大化利用CDM模型中的物理信息,在数据充足时具有最高的预测精度与稳定性;基于输出融合的模型以CDM模型的结果为主导,利用ANN进行修正,具有五种模型中最好的非训练域(外推)预测性能.这些结果对于进一步发展知识-数据双驱动的高精度增材制造疲劳寿命预测模型具有重要的参考价值.