CN114708927A - 基于灰色预测和lstm的高温合金疲劳性能预测方法 - Google Patents
基于灰色预测和lstm的高温合金疲劳性能预测方法 Download PDFInfo
- Publication number
- CN114708927A CN114708927A CN202210258972.5A CN202210258972A CN114708927A CN 114708927 A CN114708927 A CN 114708927A CN 202210258972 A CN202210258972 A CN 202210258972A CN 114708927 A CN114708927 A CN 114708927A
- Authority
- CN
- China
- Prior art keywords
- time
- lstm
- fatigue life
- damage
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000956 alloy Substances 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 25
- 229910045601 alloy Inorganic materials 0.000 title claims abstract description 24
- 230000006378 damage Effects 0.000 claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000005055 memory storage Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000005728 strengthening Methods 0.000 claims description 6
- 230000002087 whitening effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 101000912561 Bos taurus Fibrinogen gamma-B chain Proteins 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000006386 memory function Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012856 packing Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 3
- 238000007711 solidification Methods 0.000 description 3
- 230000008023 solidification Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 150000001247 metal acetylides Chemical class 0.000 description 2
- 229910000601 superalloy Inorganic materials 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000002198 surface plasmon resonance spectroscopy Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的目的是为了解决现有技术存在预测结果成本高、可信度低的问题,提供一种基于灰色预测和LSTM神经网络的高温合金疲劳寿命预测方法;本发明首先利用灰色预测,对等间隔时间序列的极少量样本的高温合金损伤因子进行预测,然后利用最小二乘法,将试验值与预测值进行拟合,得到时间序列与损伤因子的拟合函数,即可得到任意时间下的损伤因子,选取固定时间间隔下的损伤因子,通过损伤‑寿命关系计算此时间间隔序列下的疲劳寿命,将此时间序列下的损伤因子与疲劳寿命作为LSTM神经网络的数据集进行训练。此LSTM神经网络可作为基于损伤信息的时间序列神经网络预测模型来预测时序损伤的高温合金疲劳寿命。在无需进行大量试验与仿真的条件下,即可使用少量样本数据进行时间序列相关的疲劳寿命预测,大大降低部件的维修成本。
Description
技术领域
本发明涉及一种基于灰色预测和LSTM的高温合金疲劳性能预测方法,特别涉及基于灰色预测和LSTM长短时神经网络的定向凝固高温合金疲劳性能预测方法,属于定向凝固高温合金相关领域。
背景技术
定向凝固高温合金因其优越的性能常常在航空发动机热端部件涡轮叶片上使用,而涡轮叶片所处的服役环境非常苛刻,叶片在高温下承受长时机械载荷,使得叶片材料出现与时间相关的微组织形貌演化,在服役阶段称为微观损伤。微观损伤显著降低了叶片材料力学性能,影响了材料的使用寿命,从而影响航空发动机安全运行和服役寿命。因此如何快速准确的预测材料性能越来越受到重视。由于服役过程的材料取样工作较难进行,试验数据样本量少,很难利用少量数据准确预测材料性能。
通常使用的预测材料性能的方法有经验公式和有限元法。建立寿命预测经验公式的方法需要进行大量的力学试验,进而分析试验数据来建立预测模型。此方法试验成本较高。有限元法也是常用的一种预测材料性能的有效方法,然而有限元常常不能很好的贴合工程实际,所以其预测结果可信度较低。
发明内容
本发明的目的是为了解决现有技术存在预测成本高、可信度低的问题,提供一种基于灰色预测和LSTM神经网络的高温合金寿命预测方法;本发明首先利用灰色预测,对等间隔时间序列的极少量样本的高温合金损伤因子进行预测,然后利用最小二乘法,将试验值与预测值进行拟合,得到时间序列与损伤因子的拟合函数,即可得到任意时间下的损伤因子,选取固定时间间隔下的损伤因子,通过损伤-寿命关系计算此时间间隔序列下的疲劳寿命,将此时间序列下的损伤因子与疲劳寿命作为LSTM神经网络的数据集进行训练。此LSTM神经网络可作为基于损伤信息的时间序列神经网络预测模型来预测时序相关的高温合金性能。在无需进行大量试验与仿真的条件下,即可使用极少量样本数据进行时间序列相关的疲劳寿命预测。
本发明的目的是通过下述技术方案实现的。
一种基于灰色预测和LSTM的高温合金疲劳寿命预测方法,包括如下步骤:
步骤一,数据集的获取:构建待预测合金的微观组织损伤信息参数以及力学性能试验数据的数据集。微观组织损伤信息参数包括:γ′强化相、γ基体相、γ′强化相体积分数、碳化物以及拓扑密排相等;所述力学性能试验数据包括:疲劳寿命、屈服强度、疲劳强度以及抗拉强度。
步骤二,灰色预测模型的构建:根据灰色***理论,构建GM(1,1)模型。
S21已知元素原始序列数据:
X(0)=(x(0)(1),x(0)(2),x(0)(3),...,x(0)(n))
其中X(0)表示原始序列,且x(0)(k)≥0,k=1,2,...,n。原始序列数据的累加生成序列为:
X(1)=(x(1)(1),x(1)(2),x(1)(3),...,x(1)(n))
其中X(1)表示生成序列,且
X(1)的紧邻均值生成序列为:
Z(1)=(z(1)(2),z(1)(3),...,z(1)(n))
其中Z(1)为紧邻均值生成序列,且
z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1),k=1,2,…,n
S22建立GM(1,1)的灰微分方程模型:
x(0)(k)+az(1)(k)=c
其中,a为发展系数,c为灰色作用量。
其中B为均值序列向量,Y为常数相向量,分别为:
S24建立灰微分方程的白化方程:
白化方程的解是一个时间响应函数,为:
S25累减还原得到灰色预测模型:
步骤三,根据灰色预测模型,进行基于时间序列的微组织损伤因子预测,得到相同时间间隔的未来时间预测值。
步骤四,利用最小二乘法,对步骤一数据集中的试验值和步骤三得到的预测值进行拟合,得到拟合函数。
步骤五,利用步骤四得到的拟合函数,求得任意时间下的损伤因子值。给定时间序列间隔,得到每一个时间间隔点的损伤因子值,即得到时间序列相关的损伤因子数据集;利用损伤因子与疲劳寿命关系计算出每一个时间点对应的疲劳寿命。
步骤六,LSTM神经网络预测模型的构建。该模型由记忆存储单元构成,经过更新门,遗忘门和输出门调控记忆存储单元,即记忆细胞,由门控单元控制输入数据集的数据传播。
S61加载数据集:将步骤五中损伤因子值和疲劳寿命值分别为输入和输出,利用LSTM神经网络对疲劳寿命进行预测。
S62基于Keras框架构建LSTM神经网络预测模型:
遗忘门:遗忘掉过去t-1时刻积累的无用记忆,即在损伤信息中,删除无用的信息,
ft=σ(Wxfxt+Whfht-1+bf)
式中x为LSTM的输入数据集,h为状态值,W为权重矩阵,b为偏置矩阵,σ表示激活函数sigmoid,f为遗忘门。
更新门:对t时刻的新内容进行更新,将损伤信息中有关的知识保留到记忆细胞内,更新记忆细胞内的信息,
it=σ(Wxixt+Whiht-1+bi)
gt=tanh(Wxgxt+Whght-1+bg)
式中i和g为更新门的两个函数运算,tanh表示激活函数tanh。
记忆存储单元(即记忆细胞):在LSTM的每个时间步里,都有一个记忆细胞,给予了LSTM选择记忆功能,使得LSTM有能力自由选择每个时间步里面记忆的内容。
ct=ct-1⊙ft+gt⊙it
其中⊙为Hadamard积,c为记忆细胞。
输出门:运用t时刻有用的知识进行计算,得到:
Ot=σ(Wxoxt+Whoht-1+bo)
mt=tanh(ct)
ht=ot⊙mt
yt=Wghht+bg
式中O为输出门,m为记忆细胞与输出门的tanh计算,m能够将记忆细胞中有用的记忆内容转换为输出,y为输出值,即合金性能预测值。
S63编译LSTM神经网络预测模型,定义平均绝对误差为损失函数:
式中yi为预测值,xi为真实值。
步骤七,利用构建好的LSTM神经网络预测时序相关的定向凝固高温合金疲劳寿命。
有益效果
1、灰色预测模型有短期预测与极少样本量预测的优势,属于时间序列统计模型,可以对高温合金材料试样获得的时序相关的极少样本量数据的未来发展趋势进行有效的预测。
2、发动机热端部件上使用的定向凝固高温合金材料,在其服役期间不易取样,试验难度大,故对其进行力学性能试验的成本较高。本发明利用建立的基于少样本量的神经网络预测模型来预测材料寿命,可以大大降低试验成本,材料成本,以及涡轮叶片的维修成本。
3、利用扩充后的数据建立的LSTM神经网络模型,可以对任意时刻的基于时序微组织损伤的寿命进行预测,因此可以大大提高服役材料的寿命预测效率。
4、灰色预测模型的短期预测与少样本预测优势,结合LSTM神经网络的非线性预测优势,可以提高寿命预测的准确性。
附图说明
图1本发明的方法流程图。
图2灰色预测模型的预测值与试验值对比图。
图3基于LSTM神经网络的预测值与试验值对比图。
具体实施方式
下面结合附图和实施例对本发明的实施方式进一步详细描述。
一种基于灰色预测和LSTM的定向凝固高温合金疲劳寿命预测方法,具体流程如图1所示,包括如下步骤:
步骤一,数据集的获取。获取定向凝固高温合金的微组织损伤信息与疲劳寿命数据信息库;高温合金的微组织损伤信息由实验室电镜观测及图片分析软件分析获得,疲劳寿命数据由力学性能试验获取。微观组织损伤信息参数包括:γ′强化相尺寸、γ基体相尺寸、γ′强化相体积分数、碳化物以及拓扑密排相等;所述力学性能试验数据包括:疲劳寿命、屈服强度、疲劳强度以及抗拉强度等。其中高温合金材料微组织预损伤处理条件是基于涡轮叶片大修时间及实际工况条件进行设置。预损伤的时间节点分别取0h,300h,600h,900h,1200h,由此得到四组微组织损伤信息数据以及疲劳寿命数据。其中各时间点的损伤信息定义为损伤因子Di,0≤Di≤1,各时间点的疲劳寿命由Nfi表示,i表示时间点。每一个时间点对应一组损伤因子Di和疲劳寿命Nfi,此实施例中,试验值共5组数据,即{D1,D2,D3,D4,D5}和{Nf1,Nf2,Nf3,Nf4,Nf5}。
步骤二,灰色预测模型的构建:根据灰色***理论,构建GM(1,1)模型
S21已知元素原始序列数据:
X(0)=(x(0)(1),x(0)(2),x(0)(3),…,x(0)(n))
其中X(0)表示原始序列,且x(0)(k)≥0,k=1,2,...,n。原始序列数据的累加生成序列为:
X(1)=(x(1)(1),x(1)(2),x(1)(3),…,x(1)(n))
其中X(1)表示生成序列,且
X(1)的紧邻均值生成序列为:
Z(1)=(z(1)(2),z(1)(3),...,z(1)(n))
其中Z(1)为紧邻均值生成序列,且
z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1),k=1,2,…,n
S22建立GM(1,1)的灰微分方程模型:
x(0)(k)+az(1)(k)=c
其中,a为发展系数,c为灰色作用量。
其中B为均值序列向量,Y为常数相向量,分别为:
S24建立灰微分方程的白化方程:
白化方程的解是一个时间响应函数,为:
S25累减还原得到灰色预测模型:
步骤三,根据步骤二中建立的灰色预测模型,对微组织损伤因子Di进行预测。利用试验得到的预损伤0h、300h和600h对应的D1、D2、D3共3组试验值对900h和1200h下的损伤因子进行预测,预测结果与试验值对比如图2所示。
步骤四,对灰色预测模型预测值和试验值的共5组损伤因子与相应的时间参数进行拟合,利用最小二乘法得到最佳拟合函数,如下式所示:
y=y0-aexp(-x/b)
式中x和y分别为时间和损伤因子,y0的拟合值为0.9254,参数a和b的拟合值分别为-0.9288和1036.74。
步骤五,利用步骤四中得到的拟合函数,可得到任意时刻下的损伤因子。给定时间序列{h1,h2,...,h900}={1,2,...,900}h,每间隔1h可计算得到一个损伤因子,从而得到900组时间序列相关的损伤因子数据集{D1,D2,...,D900},利用损伤因子与疲劳寿命的关系计算出每一个时间点相应的寿命,即{Nf1,Nf2,...,Nf900},得到900组疲劳寿命数据集。所述损伤因子与疲劳寿命关系式表示为:
D=a(Nf)b
其中参数a和b经过曲线拟合分别为0.4438和-0.034。
步骤六,LSTM神经网络预测模型的构建。该模型由记忆存储单元构成,经过更新门,遗忘门和输出门调控记忆存储单元,即记忆细胞,由门控单元控制输入数据集的数据传播。
S61加载数据集:将步骤五中损伤因子和疲劳寿命分别为神经网络的输入和输出来训练神经网络,共900组数据,利用LSTM神经网络对最后20h的疲劳寿命进行预测。
S62基于Keras框架构建LSTM神经网络预测模型:
遗忘门:遗忘掉过去t-1时刻积累的无用记忆,即在损伤信息中,删除无用的信息,
ft=σ(Wxfxt+Whfht-1+bf)
式中x为LSTM的输入数据集,h为状态,W为权重矩阵,b为偏置矩阵,σ表示激活函数sigmoid,f为遗忘门。
更新门:对t时刻的新内容进行更新,将损伤信息中有关的知识保留到记忆细胞内,更新记忆细胞内的信息,
it=σ(Wxixt+Whiht-1+bi)
gt=tanh(Wxgxt+Whght-1+bg)
式中i和g为更新门的两个函数运算,tanh表示激活函数tanh。
记忆存储单元(即记忆细胞):在LSTM的每个时间步里,都有一个记忆细胞,给予了LSTM选择记忆功能,使得LSTM有能力自由选择每个时间步里面记忆的内容。
ct=ct-1⊙ft+gt⊙it
其中⊙为Hadamard积,c为记忆细胞。
输出门:运用t时刻有用的知识进行计算,得到输出
Ot=σ(Wxoxt+Whoht-1+bo)
mt=tanh(ct)
ht=ot⊙mt
yt=Wghht+bg
式中O为输出门,m为记忆细胞与输出门的tanh计算,m能将记忆细胞中有用的记忆内容转换为输出,y为输出值,即为疲劳寿命预测值。
S63编译LSTM神经网络预测模型,定义平均绝对误差为损失函数:
式中yi为预测值,xi为真实值。
步骤七,利用构建好的LSTM神经网络预测时序相关的定向凝固高温合金寿命。将步骤五中前880组数据集在构建好的LSTM神经网络模型中进行训练并预测,预测未来20h的寿命,预测结果如图3所示。
根据步骤S63中的误差值计算公式,计算出预测值的平均绝对误差MAE为0.0164,并且从图中可以看出利用模型计算的预测值的变化趋势与试验值一致,且预测值接近试验值。本发明利用灰色预测对试验数据进行时序预测,对预测值与试验值进行函数拟合,得到损伤因子数据集,根据损伤-寿命关系得到寿命数据集,损伤因子数据集和寿命数据集分别作为LSTM神经网络模型的输入和输出进行训练,最终得到可以预测时序相关的高温合金疲劳寿命的模型。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于灰色预测和LSTM的高温合金疲劳寿命预测方法,包括如下步骤:
步骤一,数据集的获取:构建待预测合金的微观组织损伤信息参数以及力学性能试验数据的数据集;微观组织损伤信息参数包括:γ′强化相、γ基体相、γ′强化相体积分数、碳化物以及拓扑密排相等;所述力学性能试验数据包括:疲劳寿命、屈服强度、疲劳强度以及抗拉强度;
步骤二,灰色预测模型的构建:根据灰色***理论,构建GM(1,1)模型;
S21已知元素原始序列数据:
X(0)=(x(0)(1),x(0)(2),x(0)(3),...,x(0)(n))
其中X(0)表示原始序列,且x(0)(k)≥0,k=1,2,...,n;原始序列数据的累加生成序列为:
X(1)=(x(1)(1),x(1)(2),x(1)(3),…,x(1)(n))
其中X(1)表示生成序列,且
X(1)的紧邻均值生成序列为:
Z(1)=(z(1)(2),z(1)(3),...,z(1)(n))
其中Z(1)为紧邻均值生成序列,且
z(1)(k)=0.5x(1)(k)+0.5x(1)(k-1),k=1,2,…,n
S22建立GM(1,1)的灰微分方程模型:
x(0)(k)+az(1)(k)=c
其中,a为发展系数,c为灰色作用量;
其中B为均值序列向量,Y为常数相向量,分别为:
S24建立灰微分方程的白化方程:
白化方程的解是一个时间响应函数,为:
S25累减还原得到灰色预测模型:
步骤三,根据灰色预测模型,进行基于时间序列的微组织损伤因子预测,得到相同时间间隔下的未来时间预测值;
步骤四,利用最小二乘法,对步骤一得到的数据集中的试验值和步骤三得到的预测值进行拟合,得到拟合函数;
步骤五,利用步骤四得到的拟合函数,求得任意时间下的损伤因子值;给定时间序列间隔,得到每一个时间间隔点的损伤因子值,即得到时间序列相关的损伤因子数据集;利用损伤因子与疲劳寿命关系计算出每一个时间点对应的疲劳寿命;
步骤六,LSTM神经网络预测模型的构建;该模型由记忆存储单元构成,经过更新门,遗忘门和输出门调控记忆存储单元,即记忆细胞,由门控单元控制输入数据集的数据传播;
S61加载数据集:将步骤五中损伤因子值和疲劳寿命值分别作为输入和输出,利用LSTM长短时记忆神经网络对疲劳寿命进行预测;
S62基于Keras框架构建LSTM神经网络预测模型:
遗忘门:遗忘掉过去t-1时刻积累的无用记忆,即在损伤信息中,删除无用的信息,
ft=σ(Wxfxt+Whfht-1+bf)
式中x为LSTM的输入数据集,h为状态值,W为权重矩阵,b为偏置矩阵,σ表示激活函数sigmoid,f为遗忘门;
更新门:对t时刻的新内容进行更新,将损伤信息中有关的知识保留到记忆细胞内,更新记忆细胞内的信息,
it=σ(Wxixt+Whiht-1+bi)
gt=tanh(Wxgxt+Whght-1+bg)
式中i和g为更新门的两个函数运算,tanh表示激活函数tanh;
记忆存储单元(即记忆细胞):在LSTM的每个时间步里,都有一个记忆细胞,给予了LSTM选择记忆功能,使得LSTM有能力自由选择每个时间步里面记忆的内容;
ct=ct-1⊙ft+gl⊙it
其中⊙为Hadamard积,c为记忆细胞;
输出门:运用t时刻有用的知识进行计算,得到:
Ot=σ(Wxoxt+Whoht-1+bo)
mt=tanh(ct)
ht=ot⊙mt
yt=Wghht+bg
式中O为输出门,m为记忆细胞与输出门的tanh计算,m能够将记忆细胞中有用的记忆内容转换为输出,y为输出值,即合金性能预测值;
S63编译LSTM神经网络预测模型,定义平均绝对误差为损失函数:
其中yi为预测值,xi为真实值。
步骤七,利用构建好的LSTM神经网络预测时序相关的定向凝固高温合金疲劳寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210258972.5A CN114708927A (zh) | 2022-03-09 | 2022-03-09 | 基于灰色预测和lstm的高温合金疲劳性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210258972.5A CN114708927A (zh) | 2022-03-09 | 2022-03-09 | 基于灰色预测和lstm的高温合金疲劳性能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708927A true CN114708927A (zh) | 2022-07-05 |
Family
ID=82169148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210258972.5A Pending CN114708927A (zh) | 2022-03-09 | 2022-03-09 | 基于灰色预测和lstm的高温合金疲劳性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708927A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830757A (zh) * | 2022-12-02 | 2023-03-21 | 江苏锦花电子股份有限公司 | 一种基于大数据的显示设备性能监测***及方法 |
CN116090111A (zh) * | 2023-04-10 | 2023-05-09 | 华东交通大学 | 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060289608A1 (en) * | 2005-06-10 | 2006-12-28 | Steel Russell J | Friction stirring of high softening temperature materials using new surface features on a tool |
CN108627406A (zh) * | 2018-04-27 | 2018-10-09 | 佛山科学技术学院 | 一种基于损伤力学的高强金属材料变幅超高周疲劳寿命预测方法 |
CN111062511A (zh) * | 2019-11-14 | 2020-04-24 | 佛山科学技术学院 | 基于决策树与神经网络的水产养殖病害预测方法及*** |
CN111639783A (zh) * | 2020-04-17 | 2020-09-08 | 中国电力科学研究院有限公司 | 一种基于lstm神经网络的线损预测方法及*** |
CN112116147A (zh) * | 2020-09-16 | 2020-12-22 | 南京大学 | 一种基于lstm深度学习的河流水温预测方法 |
CN113393057A (zh) * | 2021-07-13 | 2021-09-14 | 四川农业大学 | 一种基于深度融合机器学习模型的小麦产量集成预测方法 |
-
2022
- 2022-03-09 CN CN202210258972.5A patent/CN114708927A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060289608A1 (en) * | 2005-06-10 | 2006-12-28 | Steel Russell J | Friction stirring of high softening temperature materials using new surface features on a tool |
CN108627406A (zh) * | 2018-04-27 | 2018-10-09 | 佛山科学技术学院 | 一种基于损伤力学的高强金属材料变幅超高周疲劳寿命预测方法 |
CN111062511A (zh) * | 2019-11-14 | 2020-04-24 | 佛山科学技术学院 | 基于决策树与神经网络的水产养殖病害预测方法及*** |
CN111639783A (zh) * | 2020-04-17 | 2020-09-08 | 中国电力科学研究院有限公司 | 一种基于lstm神经网络的线损预测方法及*** |
CN112116147A (zh) * | 2020-09-16 | 2020-12-22 | 南京大学 | 一种基于lstm深度学习的河流水温预测方法 |
CN113393057A (zh) * | 2021-07-13 | 2021-09-14 | 四川农业大学 | 一种基于深度融合机器学习模型的小麦产量集成预测方法 |
Non-Patent Citations (1)
Title |
---|
陈吉平;丁智平;曾军;白晓鹏;王卫峰;: "基于灰色理论镍基单晶合金多轴非比例加载低周疲劳研究", 机械工程学报, vol. 50, no. 24, 31 December 2014 (2014-12-31), pages 66 - 72 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830757A (zh) * | 2022-12-02 | 2023-03-21 | 江苏锦花电子股份有限公司 | 一种基于大数据的显示设备性能监测***及方法 |
CN115830757B (zh) * | 2022-12-02 | 2023-11-17 | 江苏锦花电子股份有限公司 | 一种基于大数据的显示设备性能监测***及方法 |
CN116090111A (zh) * | 2023-04-10 | 2023-05-09 | 华东交通大学 | 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114708927A (zh) | 基于灰色预测和lstm的高温合金疲劳性能预测方法 | |
Gray et al. | Nonlinear model structure identification using genetic programming | |
CN113378939B (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
Erten et al. | Stochastic optimization methods | |
CN113094860B (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
Ibrahem et al. | Nonlinear generalized predictive controller based on ensemble of NARX models for industrial gas turbine engine | |
Yoo et al. | Compositional prediction of creep rupture life of single crystal Ni base superalloy by Bayesian neural network | |
Peng et al. | A collaborative design platform for new alloy material development | |
Bussetta et al. | Nonlinear updating method: a review | |
CN113626942A (zh) | 基于代理模型的双幅涡轮盘疲劳蠕变寿命可靠性优化方法 | |
Chu et al. | Reliability based optimization with metaheuristic algorithms and Latin hypercube sampling based surrogate models | |
Lingfei et al. | A new structural reliability analysis method in presence of mixed uncertainty variables | |
CN106503456B (zh) | 基于超球体变换的集合卡尔曼滤波油藏动态历史拟合方法 | |
Tran et al. | Prediction of Fatigue Life for a New 2‐DOF Compliant Mechanism by Clustering‐Based ANFIS Approach | |
CN115774900B (zh) | 一种不确定条件下的变构型飞行器指令鲁棒优化设计方法 | |
CN116230124A (zh) | 基于ann和umat的耦合微组织损伤的高温合金性能预测方法 | |
Li et al. | A preliminary discussion about the application of machine learning in the field of constitutive modeling focusing on alloys | |
Ömürlü et al. | Application of fuzzy PID control to cluster control of viaduct road vibrations | |
Zhao | Research on multiobjective optimization control for nonlinear unknown systems | |
CN114329805A (zh) | 基于自适应代理模型的连接件多学科协同设计优化方法 | |
Wei et al. | High-cycle fatigue SN curve prediction of steels based on a transfer learning-guided convolutional neural network | |
Lin et al. | Development and determination of unified viscoplastic constitutive equations for predicting microstructure evolution in hot forming processes | |
Zhou et al. | Gray wavelet neural network and its application in mining waste prediction | |
Wang et al. | An improved locally weighted regression for a converter re-vanadium prediction modeling | |
Zhang | ADVANCES IN MACHINE LEARNING APPLICATIONS IN AERO-ENGINE TITANIUM ALLOYS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |