基于机器学习算法对铝合金的应力集中系数预测

本文将6061铝合金试件作为疲劳拉伸实验对象，得到不同损伤程度的铝合金试件，借助工业CT扫描系统和AVIZO软件获取试件内部的缺陷特征数据。通过ABAQUS仿真分析，得出疲劳循环周次与应力集中系数呈线性关系，因此应力集中系数可以作为疲劳寿命的表征参数。最后，借助机器学习算法准确预测不同缺陷特征信息的应力集中系数。

相当数量的部件和结构失效是由疲劳载荷引起的[1]。疲劳失效是构件和结构在寿命设计阶段应考虑的重要因素之一。在实际工况中，疲劳破坏往往发生在由缺陷引起的应力集中较强的部位，因此如何获取金属内部缺陷信息，建立缺陷与疲劳寿命关系模型的分析已成为人们关注的疲劳寿命问题预测。近些年，大量学者进行了关于铝合金缺陷特征对疲劳损伤的影响研究。ROMANO [2]等通过实验发现铝合金的最大内部缺陷是疲劳失效的源头；FEDOR [3]等指出缺陷尺寸并不是决定疲劳失效的唯一因素， 即使表面缺陷的尺寸为内部缺陷的五分之一，材料也会产生疲劳失效；宋哲[4]等基于X 射线成像设备发现铝合金的内部孔隙率随着疲劳拉伸周次的增大而增大，当达到40,076 周次时，材料由于孔隙率急剧增加，有效承载面积不断减小导致疲劳断裂。同时，缺陷的形貌越复杂，缺陷边缘的尖端会产生更显著的应力集中。铝合金的疲劳寿命与缺陷的特征参数(体积、位置、形状等)有直接联系。

传统研究中，为寻找细观缺陷变量与铝合金力学性能之间的联系，研究人员都进行了大量的疲劳实验，导致人工和经济成本过高。近些年，机器学习算法在材料领域广泛应用[5]，机器学习和人工智能利用概率和统计方法，在实验数据的基础上从过去的经验中学习，以预测更准确的结果。

本文利用缺陷的特征参数作为支持向量机模型的输入参数，预测铝合金材料的疲劳寿命。首先，采用计算机CT 扫描技术对不同加载阶段的疲劳试样进行扫描。采用缺陷分布分类方法对Avizo 可视化处理的疲劳试件缺陷信息进行分级简化。该方法不仅考虑了微缺陷的大小，还考虑了形状和位置。最后， 引入支持向量机算法，利用缺陷形状、尺寸和位置等因素预测疲劳寿命。

2. 缺陷特征数据的获取 2.1. 试件制备 本研究中， 试件材料选择6061-T6铝合金。

根据美国试验材料学会ASTM E8/E8M-15a标准制备试件， 试件的主要化学成分表如表1 所示，试件的具体形状及尺寸如图1 所示。

2.2. 缺陷信息获取 为获取不同损伤阶段的试件， 使用MTS Landmark 电液伺服动态测试系统(如图2 所示)对铝合金材料试件进行阶段性的疲劳拉伸实验。

本次试验将试件从开始加载到疲劳失效设置了5 个循环周次(20,000 次， 40,000 次，60,000 次，80,000 次和100,000 次)，最终获得不同疲劳损伤阶段的铝合金试件缺陷信息，实验的相关参数见表2。