Previsão de aço inoxidável 316 baixo

Scientific Reports volume 13, Número do artigo: 6753 (2023) Citar este artigo

637 acessos

3 Altmétrica

Detalhes das métricas

A vida de fadiga de baixo ciclo do aço inoxidável 316 é uma base significativa para a avaliação de segurança. Normalmente, muitos fatores afetam a vida em fadiga de baixo ciclo do aço inoxidável, e a relação entre os fatores de influência e a vida em fadiga é complicada e não linear. Portanto, é difícil prever a vida em fadiga usando a fórmula empírica tradicional. Com base nisso, um algoritmo de aprendizado de máquina é proposto. Neste artigo, com base na grande quantidade de dados experimentais existentes, métodos de aprendizado de máquina são usados ​​para prever a baixa vida em fadiga circunferencial do aço inoxidável 316. Os resultados mostram que a precisão da previsão dos modelos nu-SVR e ELM é alta e pode atender às necessidades de engenharia.

O aço inoxidável 316 é um tipo amplamente utilizado de aço inoxidável cromo-níquel. É comumente usado no processamento de alimentos, equipamentos médicos, indústria nuclear, produção química e outros campos com requisitos rígidos e rigorosos devido ao seu bom desempenho em fadiga de alta temperatura, tenacidade e resistência à corrosão. Dadas as condições de trabalho cada vez mais complexas do aço inoxidável 316, sua segurança é uma prioridade para consideração em aplicações de engenharia, e a falha de vida sob fadiga é uma base importante para avaliações de segurança1,2. É importante estudar a previsão da vida em fadiga de baixo ciclo. O modelo mais usado para a previsão da vida em fadiga de baixo ciclo do aço inoxidável 316 é o método tradicional de previsão de fórmula empírica. Os principais modelos são teoria de dano cumulativo3, tensão-deformação local4, método de energia5 e método de força de campo6. Na previsão tradicional da vida em fadiga, a relação entre a vida em fadiga e os fatores de influência é determinada com base em um grande número de experimentos, e a vida em fadiga é prevista pela aplicação de um grande número de fórmulas empíricas. O modelo de previsão de vida de fadiga de fórmula empírica tradicional tem limitações severas, como a variedade de fórmulas empíricas, baixa precisão de previsão, custos experimentais altos e repetidos e longo tempo de previsão; o desenvolvimento do aprendizado de máquina forneceu novas ideias para resolver esses problemas7,8,9,10,11,12,13,14,15,16.

O aprendizado de máquina (ML) é um campo multidisciplinar que incorpora teorias de várias disciplinas, que incluem teoria da probabilidade, estatística, teoria da aproximação, análise convexa, complexidade algorítmica, etc.17. Em termos simples, o aprendizado de máquina é uma forma de aprender por meio da simulação computacional do aprendizado humano, onde o aprendizado de máquina treina continuamente modelos a partir de dados, melhorando assim sua generalização18. Devido às poderosas habilidades de aprendizado de máquina, como processamento e análise de dados, o método tem sido amplamente utilizado nas áreas de mineração de dados, reconhecimento automático de fala, visão computacional e detecção e diagnóstico de falhas. Atualmente, também possui algumas aplicações na previsão de vida19,20,21,22. No entanto, existem poucos estudos sobre a previsão de vida em fadiga de baixo ciclo do aço inoxidável 316 usando um modelo de aprendizado de máquina.

Neste artigo, a vida em fadiga de baixo ciclo do aço inoxidável 316 é prevista pelo aprendizado de máquina. Em primeiro lugar, com base nos dados da literatura coletados, os efeitos de fatores como fator de intensidade de tensão, amplitude de deformação e tensão residual na vida de fadiga de baixo ciclo do aço inoxidável 316 são resumidos. Em segundo lugar, foi realizada uma análise de sensibilidade e pré-processamento dos dados coletados para garantir um modelo de previsão com menos erro. Finalmente, modelos de aprendizado de máquina, como rede neural BP, rede neural BP otimizada por algoritmo genético, máquina de aprendizado de limite e máquina de vetor de suporte, foram estabelecidos para prever a vida de fadiga de baixo ciclo do aço inoxidável austenítico 316.

A Figura 123,24,25,26,27,28 mostra a influência do fator de intensidade de tensão na taxa de crescimento da trinca sob diferentes temperaturas e taxas de tensão. Como pode ser visto na figura, não importa se a taxa de tensão é 0,1, 0,3 ou 0,5, a taxa de crescimento da trinca aumenta com o aumento do fator de intensidade de tensão na mesma temperatura, mas a taxa de aumento varia com a temperatura.