Predictive Modeling and Uncertainty Quantification of Fatigue Life in Metal Alloys using Machine Learning

📄 arXiv: 2501.15057v1 📥 PDF

作者: Jiang Chang, Deekshith Basvoju, Aleksandar Vakanski, Indrajit Charit, Min Xian

分类: cs.LG, cond-mat.mtrl-sci

发布日期: 2025-01-25

💡 一句话要点

融合物理模型与机器学习，提升金属疲劳寿命预测精度与不确定性量化

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 疲劳寿命预测 不确定性量化 机器学习 物理信息神经网络 金属材料

📋 核心要点

  1. 材料建模的复杂性使得可靠估计预测值的置信区间仍然是一个挑战。
  2. 该方法融合物理模型知识和机器学习模型，提升疲劳寿命预测精度并量化不确定性。
  3. 实验结果表明，该方法能有效提升预测值一致性，并改善不确定性区间估计。

📝 摘要（中文）

本研究提出了一种新颖的方法，用于量化金属材料疲劳寿命预测中的不确定性。该方法融合了基于物理的疲劳寿命模型知识和机器学习模型。具体而言，利用基于Basquin疲劳模型估计的物理输入特征来增强实验收集的疲劳寿命数据。此外，为神经网络模型引入了一个物理信息损失函数，该函数强制执行所考虑材料的估计疲劳寿命的边界约束。对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了该方法的有效性。物理模型和数据驱动模型之间的协同作用增强了预测值的一致性，并改善了不确定性区间估计。

🔬 方法详解

问题定义：论文旨在解决金属材料疲劳寿命预测中不确定性量化的问题。现有方法在预测材料疲劳寿命时，难以提供可靠的置信区间，尤其是在数据量有限或材料特性复杂的情况下，导致预测结果的可靠性不足。

核心思路：论文的核心思路是将基于物理的疲劳寿命模型（如Basquin模型）的知识融入到机器学习模型中，从而提高预测精度和不确定性量化的可靠性。通过结合物理模型提供的先验知识，可以约束机器学习模型的预测行为，使其更符合物理规律，并减少对大量实验数据的依赖。

技术框架：整体框架包括数据增强和模型训练两个主要阶段。首先，利用Basquin模型估计的物理特征来增强实验数据，从而扩充训练数据集。然后，训练一个神经网络模型，该模型使用增强后的数据进行训练，并结合一个物理信息损失函数，该损失函数强制执行疲劳寿命的边界约束。

关键创新：该方法最重要的创新点在于将物理模型知识以两种方式融入到机器学习模型中：一是通过物理特征增强数据，二是通过物理信息损失函数约束模型训练。这种融合方法能够有效地利用物理模型的先验知识，提高预测精度和不确定性量化的可靠性。

关键设计：关键设计包括：1) 使用Basquin模型计算物理特征，例如应力幅值和疲劳强度系数等，作为神经网络的输入特征；2) 设计物理信息损失函数，该函数惩罚违反疲劳寿命边界约束的预测结果，例如，确保预测的疲劳寿命在合理的范围内；3) 神经网络结构的选择，论文中使用的具体网络结构未知，但需要能够处理多维输入特征并输出疲劳寿命预测值及其不确定性估计。

📊 实验亮点

该研究通过在钛合金和碳钢合金的疲劳寿命测试数据集上进行实验验证，证明了所提出方法的有效性。实验结果表明，该方法能够提高疲劳寿命预测的精度，并提供更可靠的不确定性区间估计。具体的性能提升数据未知，但摘要强调了物理模型和数据驱动模型之间的协同作用增强了预测值的一致性，并改善了不确定性区间估计。

🎯 应用场景

该研究成果可应用于航空航天、汽车制造、桥梁工程等领域，用于金属材料的疲劳寿命预测和结构健康监测。通过提高疲劳寿命预测的精度和可靠性，可以优化结构设计，延长使用寿命，降低维护成本，并提高安全性。未来，该方法可以扩展到其他材料和失效模式的预测。

📄 摘要（原文）

Recent advancements in machine learning-based methods have demonstrated great potential for improved property prediction in material science. However, reliable estimation of the confidence intervals for the predicted values remains a challenge, due to the inherent complexities in material modeling. This study introduces a novel approach for uncertainty quantification in fatigue life prediction of metal materials based on integrating knowledge from physics-based fatigue life models and machine learning models. The proposed approach employs physics-based input features estimated using the Basquin fatigue model to augment the experimentally collected data of fatigue life. Furthermore, a physics-informed loss function that enforces boundary constraints for the estimated fatigue life of considered materials is introduced for the neural network models. Experimental validation on datasets comprising collected data from fatigue life tests for Titanium alloys and Carbon steel alloys demonstrates the effectiveness of the proposed approach. The synergy between physics-based models and data-driven models enhances the consistency in predicted values and improves uncertainty interval estimates.