机器学习在高温合金粉末盘构件疲劳寿命预测中的应用

由于制粉的污染、容器材料剥落等原因，采用粉末冶金工艺制备高温合金，不可避免地将引入非金属夹杂物。这些夹杂物的存在严重危害高温合金涡轮盘的力学性能，并可能导致涡轮盘低周疲劳失效。目前，疲劳寿命模型主要是由Manson-Coffin公式发展出来的，均未考虑疲劳过程中弹性模量的变化和合金缺陷特征因素的影响，这些导致预测结果与实际存在较大误差。本文利用机器学习算法建立了涡轮盘低周疲劳循环次数与夹杂物距涡轮盘表面的距离以及夹杂物的尺寸之间的定量预测模型。结果表明，通过支持向量回归、随机森林、梯度提升机、核岭回归和套索回归法等不同模型的计算对比发现，梯度提升树算法能够更好地预测疲劳寿命。