以下文章來源於結構完整性聯盟 ，作者Horňas J
對於增材製造部件中的缺陷，無損檢測可以在構件破壞之前對材料內部的缺陷進行定量化的測量。其中X射線顯微計算機斷層掃描技術(X-ray micro-computed tomography)非常適用於評估緻密的增材製造鈦合金部件，並提供內部缺陷在材料體積中的三維空間分布。
針對材料內部缺陷引起過早失效的問題，已有不少學者將缺陷特徵參數關聯鈦合金高周疲勞壽命，構建出了一系列的半經驗壽命預測公式，以達到壽命預測的目的。並且還有部分學者通過擴展有限元的方法，模擬含缺陷鈦合金的裂紋擴展行為。但是這些半經驗壽命預測模型和方法無一例外都需要大量的數據和時間來完善它們的效果。
3D科學谷白皮書
論文連結：
https://doi.org/10.1016/j.ijfatigue.2022.107483
近日，International Journal of Fatigue 期刊中發表了」Modelling fatigue life prediction of additively manufactured Ti-6Al-4V samples using machine learning approach」一文。在該文的相關工作中，研究人員引入了基於機器學習（ML）的方法來量化X射線顯微計算機斷層掃描技術檢測到的缺陷的影響，並對特定應力幅下的增材製造Ti-6Al-4V的疲勞壽命進行預測。
同時對人工神經網絡（ANN）、隨機森林回歸（RFR）和支持向量回歸（SVR）三種模型進行了對比和優化。通過使用留一法交叉驗證（LOOCV）方式調整超參數來對訓練集進行優化，並驗證優化後模型預測的準確性。
/ 成果簡介
研究團隊在偽隨機選擇的20個樣本上訓練機器學習模型，然後在剩餘的9個樣本上測試機器學習模型。通過Spearman秩相關性分析排除了不敏感的輸入特徵，提高了機器學習模型的效率和準確性。圖1為機器學習方法預測疲勞壽命的基本流程。式1為Spearman秩相關係數計算公式。
圖1 疲勞壽命預測機器學習建模流程框架
為了實現ML模型的最高預測精度，使用LOOCV方法調整超參數。當平均絕對百分比誤差(MAPE)最小時，假定此時模型為優化後的模型。比較人工神經網絡（ANN）、隨機森林回歸（RFR）和支持向量回歸（SVR）三種模型，其中人工神經網絡模型預測精度最高，預測結果的R2 = 0.848和平均絕對百分比誤差MAPE = 2.980%。圖2是優化後的三種機器學習模型預測疲勞壽命效果對比。
圖2 三種機器學習模型預測疲勞壽命效果對比
圖3 所有擬合的ML模型計算疲勞壽命的結果及其與試驗組試驗結果的比較：( a )確定水平；( b )條形圖絕對值比較。
研究團隊距離對超參數和參數進行調優的機器學習(ML)模型對所有訓練集進行擬合。最後，將擬合得到的ML模型用於測試集的疲勞壽命預測。圖3a中的雙坐標系顯示了擬合的ML模型預測的疲勞壽命與疲勞試驗中觀察到的實驗結果相比的確定水平。通過標記來描述樣本的個體預測。標記點距離權益線越近，預測的準確性越高。此外，利用圖3b中的條形圖對計算的絕對值進行了比較。
原論文信息
Horňas J, Běhal J, Homola P, et al. Modelling fatigue life prediction of additively manufactured Ti-6Al-4V samples using machine learning approach[J]. International Journal of Fatigue, 2023, 169: 107483.