本发明涉及预测叶片蠕变服役条件领域，尤其是一种预测定向凝固镍基高温合金叶片服役条件的方法。
背景技术：
1、蠕变变形及失效是燃机叶片典型损伤形式之一，由于叶片高温、高应力的服役环境和灵活的启停过程导致无法通过准确的实时监测来判断服役温度场和应力场，进而确定寿命。精确预测定向镍基高温合金服役温度场和应力场，对于叶片设计、制造、运维服务，特别是对剩余寿命的预测具有重要指导意义。通过预测，为服役叶片后续的高应力区和薄弱点，提前采取改进措施，提升产品的设计、制造、运维的安全性和可靠性。
2、近年来，随着机器学习技术的发展，其在材料学领域展现出巨大潜力。通过分析大量实验数据和仿真数据，机器学习算法能够识别复杂的非线性关系，并提供更准确、高效的预测结果。中国专利cn113420502a公开了《一种利用机器学习方法实现两模型联动预测镍基单晶高温合金寿命的方法》，该方法介绍了主要利用统计算数模型进行服役温度的预测，但是需要建立大量的不同服役温度的数据库，不能在少量数据下精确预测服役温度，并且不能预测服役应力。中国专利cn110411850公开了《一种高温合金涡轮叶片服役条件的评估方法》，通过近服役条件下的dz125合金微观组织演变数据库的建立，再结合bp网络机器学习方法实现了对涡轮叶片等效最高服役温度及其对应的服役应力和该温度和应力条件下的损伤时间进行评估，该专利与本方法的预测特征参量、预测流程和预测模型与本方法存在显著差异，且预测精度明显低于本方法；中国专利cn115035963a公开了《一种利用bpnn神经网络以及拉森-米勒参数方程》，实现高温合金的蠕变寿命的预测，同样并非对叶片服役条件预测。cn202311836085公开了含铝耐热合金炉管材料在1100℃服役温度下蠕变阶段的判断方法，同样并非对叶片服役条件预测。
3、综上所述，目前现有的技术还不能对定向凝固镍基高温合金叶片的蠕变温度、蠕变应力做出精确、快速的预测。
技术实现思路
1、本发明的目的在于：针对上述存在的问题，提供一种预测定向凝固镍基高温合金叶片服役条件的方法，该方法通过多个机器学习预测模型的联动，对定向凝固镍基高温合金叶片的蠕变温度、蠕变应力做出快速预测。
2、本发明采用的技术方案如下：一种预测定向凝固镍基高温合金叶片服役条件的方法，包括以下步骤：
3、s1：多次对定向凝固镍基高温合金进行蠕变中断实验，每次蠕变中断实验的条件不同；
4、s2：每次蠕变中断实验结束后，进行金相制样，拍摄微观组织形貌，提取γ'强化相的特征参量，并整理对应的蠕变温度、蠕变应力；
5、s3：以特征参量为输入，蠕变温度为输出，利用循环神经网络进行训练，构建温度预测模型；
6、s4：以特征参量和蠕变温度为输入，蠕变应力为输出，利用循环神经网络进行训练，构建应力预测模型；
7、s5：获取定向凝固镍基高温合金叶片服役后的特征参量，利用温度预测模型、应力预测模型预测定向凝固镍基高温合金叶片蠕变服役的预测温度和预测应力；应力预测模型中输入的蠕变温度为温度预测模型输出的预测温度。
8、进一步地，步骤s1中，蠕变中断实验的蠕变条件为实验温度和实验应力。
9、进一步地，蠕变中断实验时，实验温度范围为800-1000℃，实验应力范围为125-600mpa。
10、进一步地，多次蠕变中断实验中，选取蠕变时间范围在20-918h的蠕变中断实验作为有效实验。
11、进一步地，所述特征参量包括筏化度ω、通道宽度、面积分数；其中：
12、
13、其中：为图像等分线上各个相连γ'相的间距；n为间距数量；
14、
15、其中：为图像中γ'强化相的面积；为图像总面积。
16、进一步地，在步骤s2中，拍摄微观组织形貌时应拍摄多张不同位置的微观组织形貌。
17、进一步地，在步骤s3中，训练时对循环神经网络的结构、学习率和训练次数进行调整，以使得温度预测模型输出的预测温度与蠕变中断实验中的蠕变温度之间的误差在允许的范围内。
18、进一步地，在步骤s4中，训练时对循环神经网络的结构、学习率和训练次数进行调整，以使得应力预测模型输出的预测应力与蠕变中断实验中的蠕变应力之间的误差在允许的范围内。
19、综上所述，由于采用了上述技术方案，本发明的有益效果是：
20、本发明通过机器学习建立温度预测模型和应力预测模型，并且在温度预测模型和应力预测模型的联动下，能够对定向凝固镍基高温合金叶片的蠕变温度、蠕变应力做出快速预测，从而为对定向凝固镍基高温合金服役过程研究提供可靠数据。
1.一种预测定向凝固镍基高温合金叶片服役条件的方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：步骤s1中，蠕变中断实验的蠕变条件为实验温度和实验应力。
3.根据权利要求2所述的方法，其特征在于：蠕变中断实验时，实验温度范围为800-1000℃，实验应力范围为125-600mpa。
4.根据权利要求3所述的方法，其特征在于：多次蠕变中断实验中，选取蠕变时间范围在20-918h的蠕变实验作为有效实验。
5.根据权利要求1所述的方法，其特征在于：所述特征参量包括筏化度ω、通道宽度、面积分数；其中：
6.根据权利要求1所述的方法，其特征在于：在步骤s2中，拍摄微观组织形貌时应拍摄多张不同位置的微观组织形貌。
7.根据权利要求1所述的方法，其特征在于：在步骤s3中，训练时对循环神经网络的结构、学习率和训练次数进行调整，以使得温度预测模型输出的预测温度与蠕变中断实验中的蠕变温度之间的误差在允许的范围内。
8.根据权利要求1所述的方法，其特征在于：在步骤s4中，训练时对循环神经网络的结构、学习率和训练次数进行调整，以使得应力预测模型输出的预测应力与蠕变中断实验中的蠕变应力之间的误差在允许的范围内。