本发明涉及的是一种材料寿命检测领域的技术，具体是一种基于深度学习的疲劳裂纹扩展模型的参数标定方法。
背景技术：
1、飞机等大型运载装备在实际服役过程中，其内部构件不断承受交变载荷的作用，容易发生疲劳裂纹萌生、扩展和断裂的现象。通常情况下，疲劳裂纹扩展寿命远大于疲劳裂纹萌生寿命，而构件的疲劳裂纹扩展情况及其剩余寿命的预测效果依赖于疲劳裂纹扩展模型参数的准确标定。现有疲劳裂纹扩展模型的参数一般通过拟合物理试验曲线来确定，拟合精度取决于使用的优化算法及算法参数设置(如最大迭代数、收敛判断指标等}。然而，基于有限物理试验的拟合结果仅在有限试验条件下能够满足精度要求。当模型中需要标定的参数较多时，为确保拟合精度，需要大量的物理试验结果作为支撑，而疲劳裂纹扩展试验耗时长、成本高，给参数标定带来了极大的困难。
技术实现思路
1、本发明针对现有技术存在的上述不足，提出一种基于深度学习的疲劳裂纹扩展模型的参数标定方法，能够实现模型参数快速且准确标定，该方法能够有效解决复杂模型应用难的工程问题，基于少量物理试验完成多参数的准确、高效标定的同时，随着训练数据库的持续完善，能够不断地提高标定效率和精度，实现材料服役性能数据的加速累积，提高金属结构材料疲劳寿命评价能力。
2、本发明是通过以下技术方案实现的：
3、本发明涉及一种基于深度学习的疲劳裂纹扩展模型的参数标定方法，构造适应不同服役条件下疲劳裂纹扩展模型并通过基于数值模拟获得标定参数和疲劳裂纹扩展特征的关系数据库，经降维处理后用于训练构建得到的神经网络模型；通过训练后的神经网络模型生成一组满足局域最优的疲劳裂纹扩展模型参数，进而根据服役条件预测得到疲劳裂纹扩展情况。
4、所述的疲劳裂纹扩展模型具体为：da/dn＝c(t，r)(δk)m，其中：描述疲劳裂纹扩展情况的材料常数c＝(1/2π)(0.1e0(1-α((t-t0)/(tm-t0))))-β(1/(1-r)n)m，e0为材料的室温弹性模量，t0和tm分别为室温和材料的熔点，t和r为服役过程中的温度和应力比条件，α、β、n为引入的模型待标定参数，δk为应力强度因子变化幅值，m为描述疲劳裂纹扩展情况的材料常数。
5、所述的数值模拟获得参数和疲劳裂纹扩展特征关系数据库，通过以下方式得到：
6、1)在服役条件的范围内开展少量疲劳裂纹扩展物理试验或从文献中得到真实的疲劳裂纹扩展速率曲线；
7、2)使用疲劳裂纹扩展模型拟合真实的疲劳裂纹扩展速率曲线，得到模型参数的初值；
8、3)在模型参数的取值空间中随机生成大批量的参数数值组合，利用有限元软件完成不同服役条件和模型参数组合下的疲劳裂纹扩展仿真，获得不同模型参数取值、服役条件和疲劳裂纹扩展特征之间的关系数据库。
9、所述的降维处理是指：利用自编码模型对基于数值模拟获得参数和疲劳裂纹扩展特征关系数据库中的疲劳裂纹扩展特征数据进行降维处理，具体为：将疲劳裂纹扩展a-n曲线降维至2～3个点，以n*表示。
10、所述的神经网络包括：输入层、至少三层隐藏层和输出层，其中：输入层根据疲劳裂纹扩展a-n数据，利用自编码模型进行降维处理得到n*，并结合服役条件确定的温度t和应力比r，最终生成数组(n*,t,r)并输入隐藏层；隐藏层为服役条件下的疲劳裂纹扩展特征与模型参数之间的非线性映射关系；输出层为疲劳裂纹扩展模型的参数α、β、n。
11、所述的神经网络，通过以下方式进行训练：以数据库中降维处理后的疲劳裂纹扩展特征和服役条件作为输入，以需要标定的模型参数作为输出，构建二者之间的映射关系，训练后可靠性评价指标为决定系数r2，且r2不低于0.90，如不能达到要求，则调整参数重新训练，直至满足要求完成神经网络的训练。
12、所述的参数，基于训练后的神经网络，根据自编码降维后的非数据库中的真实的疲劳裂纹扩展特征数据和对应的服役条件预测得到，标定得到的模型参数可满足一定服役条件内的疲劳裂纹扩展速率预测。
13、技术效果
14、本发明利用少量试验数据和大量有限元仿真为神经网络提供数据集，利用自编码对数据集中的疲劳裂纹扩展a-n曲线进行降维处理，并将服役条件和降维处理的数据作为疲劳裂纹扩展的特征，构建疲劳裂纹扩展特征、服役条件和疲劳裂纹扩展模型参数之间的映射关系，实现不同服役条件下模型参数的快速准确标定，从而预测不同服役条件下的疲劳裂纹扩展情况。
15、相比现有技术预测不同服役条件下的疲劳裂纹扩展情况及其寿命，需要进行大量的疲劳裂纹扩展物理试验且标定的参数不能适用于不同的服役条件，本发明结合有限元仿真和物理实验建立了神经网络模型，，实现了通过少量疲劳裂纹扩展物理试验完成不同服役条件下的疲劳裂纹扩展模型的参数的标定，在此基础上可快速准确预测服役条件下的疲劳裂纹扩展情况，能够避免大量的疲劳裂纹扩展试验，节约了大量的人力、物力和时间成本；同时本发明为复杂模型的参数标定方法提供了解决思路。
1.一种基于深度学习的疲劳裂纹扩展模型的参数标定方法，其特征在于，首先构造适应不同服役条件下疲劳裂纹扩展模型并通过基于数值模拟获得标定参数和疲劳裂纹扩展特征的关系数据库，经降维处理后用于训练构建得到的神经网络模型；通过训练后的神经网络模型生成一组满足局域最优的疲劳裂纹扩展模型参数，进而根据服役条件预测得到疲劳裂纹扩展情况；
2.根据权利要求1所述的基于深度学习的疲劳裂纹扩展模型的参数标定方法，其特征是，所述的数值模拟获得参数和疲劳裂纹扩展特征关系数据库，通过以下方式得到：
3.根据权利要求1所述的基于深度学习的疲劳裂纹扩展模型的参数标定方法，其特征是，所述的降维处理是指：利用自编码模型对基于数值模拟获得参数和疲劳裂纹扩展特征关系数据库中的疲劳裂纹扩展特征数据进行降维处理，具体为：将疲劳裂纹扩展a-n曲线降维至2～3个点，以n*表示。
4.根据权利要求1所述的基于深度学习的疲劳裂纹扩展模型的参数标定方法，其特征是，所述的神经网络包括：输入层、至少三层隐藏层和输出层，其中：输入层根据疲劳裂纹扩展a-n数据，利用自编码模型进行降维处理得到n*，并结合服役条件确定的温度t和应力比r，最终生成数组(n*，t，r)并输入隐藏层；隐藏层为服役条件下的疲劳裂纹扩展特征与模型参数之间的非线性映射关系；输出层为疲劳裂纹扩展模型的参数α、β、n。
5.根据权利要求1或4所述的基于深度学习的疲劳裂纹扩展模型的参数标定方法，其特征是，所述的神经网络，通过以下方式进行训练：以数据库中降维处理后的疲劳裂纹扩展特征和服役条件作为输入，以需要标定的模型参数作为输出，构建二者之间的映射关系，训练后可靠性评价指标为决定系数r2，且r2不低于0.90，如不能达到要求，则调整参数重新训练，直至满足要求完成神经网络的训练。
6.根据权利要求1所述的基于深度学习的疲劳裂纹扩展模型的参数标定方法，其特征是，所述的满足局域最优的疲劳裂纹扩展模型参数，基于训练后的神经网络，根据自编码降维后的非数据库中的真实的疲劳裂纹扩展特征数据和对应的服役条件预测得到。
