Прогноз низкой цены на нержавеющую сталь 316

Научные отчеты, том 13, Номер статьи: 6753 (2023) Цитировать эту статью

680 Доступов

3 Альтметрика

Подробности о метриках

Малоцикловая усталостная долговечность нержавеющей стали 316 является важной основой для оценки безопасности. Обычно на малоцикловую усталостную долговечность нержавеющей стали влияет множество факторов, а взаимосвязь между влияющими факторами и усталостной долговечностью сложна и нелинейна. Поэтому трудно предсказать усталостную долговечность, используя традиционную эмпирическую формулу. На основе этого предложен алгоритм машинного обучения. В этой статье, на основе большого количества существующих экспериментальных данных, методы машинного обучения используются для прогнозирования низкой окружной усталостной долговечности нержавеющей стали 316. Результаты показывают, что точность прогнозирования моделей nu-SVR и ELM высока и может удовлетворить инженерные потребности.

Нержавеющая сталь 316 — широко используемый тип хромоникелевой нержавеющей стали. Он широко используется в пищевой промышленности, медицинском оборудовании, атомной промышленности, химическом производстве и других областях с жесткими и строгими требованиями из-за его хороших усталостных характеристик при высоких температурах, ударной вязкости и коррозионной стойкости. Учитывая все более сложные условия эксплуатации нержавеющей стали 316, ее безопасность является главным приоритетом при рассмотрении в инженерных приложениях, а усталостный срок службы является важной основой для оценки безопасности1,2. Важно изучить прогнозирование малоцикловой усталостной долговечности. Модель, наиболее часто используемая для прогнозирования малоцикловой усталостной долговечности нержавеющей стали 316, представляет собой традиционный метод прогнозирования по эмпирической формуле. Основными моделями являются теория кумулятивных повреждений3, локальное напряжение-деформация4, энергетический метод5 и метод напряженности поля6. При традиционном прогнозировании усталостной долговечности связь между усталостной долговечностью и влияющими факторами определяется на основе большого количества экспериментов, а усталостная долговечность прогнозируется с применением большого количества эмпирических формул. Традиционная модель прогнозирования усталостной долговечности по эмпирической формуле имеет серьезные ограничения, такие как разнообразие эмпирических формул, низкая точность прогнозирования, высокие и повторяющиеся затраты на эксперименты и длительное время прогнозирования; развитие машинного обучения предоставило новые идеи для решения этих проблем7,8,9,10,11,12,13,14,15,16.

Машинное обучение (МО) — это междисциплинарная область, включающая в себя теории из различных дисциплин, включая теорию вероятностей, статистику, теорию аппроксимации, выпуклый анализ, алгоритмическую сложность и т. д.17. Проще говоря, машинное обучение — это способ обучения посредством компьютерного моделирования человеческого обучения, при котором машинное обучение непрерывно обучает модели на основе данных, тем самым улучшая их обобщение18. Благодаря мощным возможностям машинного обучения, таким как обработка и анализ данных, этот метод широко используется в областях интеллектуального анализа данных, автоматического распознавания речи, компьютерного зрения, а также обнаружения и диагностики неисправностей. В настоящее время он также имеет некоторые применения в прогнозировании жизни19,20,21,22. Однако исследований по прогнозированию малоцикловой усталостной долговечности нержавеющей стали 316 с использованием модели машинного обучения немного.

В этой статье с помощью машинного обучения прогнозируется малоцикловая усталостная долговечность нержавеющей стали 316. Во-первых, на основе собранных литературных данных обобщено влияние таких факторов, как коэффициент интенсивности напряжений, амплитуда деформации и остаточные напряжения, на малоцикловую усталостную долговечность нержавеющей стали 316. Во-вторых, был проведен анализ чувствительности и предварительная обработка собранных данных, чтобы обеспечить модель прогнозирования с меньшей ошибкой. Наконец, были созданы модели машинного обучения, такие как нейронная сеть BP, нейронная сеть BP, оптимизированная с помощью генетических алгоритмов, машина предельного обучения и машина опорных векторов, для прогнозирования малоцикловой усталостной долговечности аустенитной нержавеющей стали 316.

На рисунках 123,24,25,26,27,28 показано влияние коэффициента интенсивности напряжений на скорость роста трещины при различных температурах и соотношениях напряжений. Как видно из рисунка, независимо от того, равен ли коэффициент напряжений 0,1, 0,3 или 0,5, скорость роста трещины увеличивается с увеличением коэффициента интенсивности напряжений при той же температуре, но скорость роста меняется с температурой.