本发明涉及金属性能监测领域,具体而言,涉及一种利用机器学习预测金属薄板损伤因子的方法。
背景技术:
1、管线钢不可避免要通过极地、海洋和地质不稳定地区,极易产生局部屈服、失稳和延性断裂等与塑性损伤相关的失效行为。对于管线钢的需求量不断增加,随之而来的塑性损伤断裂相关的失效事故也越来越多,所以针对管线钢的安全服役有了更高的要求。但是由于管线钢实际运行状态异常复杂,使得管线钢管服役过程中损伤状态与预估状态总存在着差异,因此对处于服役状态的材料损伤状态进行实时检测和评价就显得尤其重要。
2、传统的损伤评估模型存在的核心问题是:金属材料经历由初始缺陷的形成、裂纹的稳态扩展直到最后失效的不同裂纹损伤发展过程,传统的损伤模型不可预测材料所处的损伤阶段,这导致模型不能精准判断材料的损伤程度。
技术实现思路
1、本发明目的在于提供一种利用机器学习预测金属薄板损伤因子的方法。该方法操作简单,结构稳定,影响因素少,材料的损伤程度预测精确。
2、为实现上述发明目的,本发明采用如下技术方案:
3、本发明提供一种利用主成分分析法和长短时记忆神经网络实现预测金属薄板拉伸过程中损伤因子的方法;塑性损伤定量评估的方法,包括:
4、1)依据《材料拉伸试验方法》设计标准拉伸试件尺寸,对拉伸试件进行拉伸试验,同时使用数字图像相关法和声发射设备进行监测获取应力应变曲线和声发射信号;
5、2)基于能量耗散模型,并考虑塑性损伤过程中弾性模量衰减的因素,定义损伤因子定量表征塑性损伤程度,获取声发射信号与损伤因子之间映射关系的样本集;
6、3)选用主成分分析法对声发射信号进行特征提取,由此获得155个声发射特征;
7、4)构建长短时记忆神经网络预测模型,以所述声发射信号特征作为输入,损伤因子作为输出训练模型。
8、根据本发明的一实施方式,步骤1)所述的拉伸试件尺寸,需构建有限元仿真模型确定所述试件的强度极限应小于试件加载的应力。目的是确保监测到试件损伤的完整过程。
9、根据本发明的一实施方式,步骤2)所述的损伤因子是根据能量耗散损伤模型定义。并考虑x80管线钢的弹性模量随着塑性应变量的增大而衰减。
10、eu=192-(192-158.44)[1-exp(-76.78εp)]
11、式中,eu为弹性模量,εp为塑性应变量。
12、能量耗散模型表示材料在单轴静载下单位体积所吸收的总能量可用σ-ε曲线下的面积表示(附图1),定义此时材料的当前损伤:
13、d=wp/wf
14、式中,wp为材料因内部的损伤性变化而主要以热形式耗散的塑性应变能,wf为wp的临界值。d=0对应材料的无损状态,d=1对应材料的临界破坏状态。
15、根据本发明的一实施方法,步骤3)所述的特征提取是选用无监督机器学习法中的主成分分析法对声发射信号进行特征提取,其中n_components=0.99,即无监督特征提取后的特征将保留原特征的99%,供获得155个特征值。
16、根据本发明的一实施方法,步骤4)所述的长短时记忆神经网络预测模型,包括lstm层、dropout层和输出层,以所述的155特征值作为输入,损伤因子作为输出来训练模型。
17、由上述技术方案可知,本发明的优点和积极效果在于:
18、本发明通过对金属板材进行拉伸,同时利用数字图像相关法和声发射设备监测试件损伤全过程。为了精准判断材料的损伤程度,根据能量耗散模型,并考虑塑性损伤过程中弾性模量衰减的因素定义损伤因子,从而对材料的损伤程度进行定量分析。通过所述计算得到声发射信号和损伤因子映射关系的样本集。利用主成分分析法对声发射信号进行特征提取,得到声发射信号特征值,并运用长短时记忆神经网络将声发射信号特征值和损伤因子建立关联,达到预测金属薄板损伤因子以及定量表征金属薄板损伤程度的目的。
19、本发明不需要进行试验设备的改进和研制,均可通过常规设备和方法实现,评估的准确性高,影响因素少,效率高,操作方便简单
1.一种利用机器学习预测金属薄板损伤因子的方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于:
3.如权利要求1所述的方法,其特征在于:
4.如权利要求1所述的方法,其特征在于:
5.如权利要求1所述的方法,其特征在于: