148 / 2021-04-12 10:24:26

基于数据驱动的增材制造Ti-6Al-4V合金疲劳寿命预测方法

SLM增材制造；Ti-6Al-4V合金；数据驱动方法；疲劳寿命预测

与传统工艺制造Ti-6Al-4V合金相比，增材制造Ti-6Al-4V合金的疲劳行为更加复杂，表征参数更多，需要新的研究方法来建立其疲劳寿命预测模型。数据驱动方法能快速有效地确定不同参数对选区激光熔化（SLM）制造Ti-6Al-4V合金疲劳性能的影响程度，从而极大地提高疲劳寿命预测的效率和准确性。本研究以抗拉强度、均匀延伸率及疲劳载荷作为输入变量，疲劳寿命预测结果作为输出变量，根据实验获得的不同表征参数条件下的高周和超高周疲劳性能数据库，对深度神经网络、随机森林、循环神经网络和支持向量机四种典型的机器学习模型进行有效的训练，并将模型预测的SLM制造Ti-6Al-4V疲劳寿命结果与实验数据进行对比和分析。结果表明，这四种机器学习模型的疲劳寿命预测精确度存在一定的差异，其主要原因是由于该合金疲劳实验数据具有较大的分散性。为提高SLM制造Ti-6Al-4V合金疲劳寿命预测模型的准确性，需要对这四种模型进行更深入的参数修正与优化，再利用实验数据重新训练模型，从而能够更加准确地预测该合金的疲劳寿命。本文研究结果可为提高增材制造钛合金的疲劳性能、延长服役寿命，提供重要的理论参考和技术支持。