机构名称：
¥ 1.0
我们提出了一种新颖的物理信息神经网络建模方法，用于腐蚀疲劳预测中的偏差估计。混合方法旨在将深度神经网络中的物理信息层和数据驱动层合并。结果是一个累积损伤模型，其中物理信息层用于模拟相对容易理解的现象（通过 Walker 模型进行裂纹扩展），数据驱动层用于解释难以建模的物理现象（即由于腐蚀导致的损伤累积偏差）。使用数值实验来展示所提出的物理信息神经网络在损伤累积方面的主要特征。测试问题包括预测飞机机翼面板上使用的 Al 2024-T3 合金的腐蚀疲劳。除了循环载荷外，面板还受到盐水腐蚀。物理信息神经网络使用对输入的全面观察（远场载荷、应力比和腐蚀性指数 - 每个机场定义）和对输出的非常有限的观察（仅对一小部分机队进行检查时的裂纹长度）进行训练。结果表明，物理信息神经网络能够学习原始疲劳模型中由于腐蚀而导致的修正，并且预测足够准确，可以对机队中不同飞机的损坏进行排名（可用于确定检查优先级）。
用于偏差补偿的物理信息神经网络 ...
主要关键词
相关文件推荐
![课程信息表 [物理]](/simg/8/834e2fa636199e638377cf4e1d71a34246cf6c28.webp)
