现代工程装备呈现长寿命服役的发展趋势，结构超长寿命预测对安全可靠服役至关重要。超高周疲劳是结构超长寿命服役需要考虑的失效模式，人们通过研究疲劳裂纹萌生与扩展机理，建立了超高周疲劳寿命的物理模型；近年来，人工智能与疲劳研究的结合为寿命预测提供了新思路，但数据量不足、纯数据驱动未有效融合物理模型仍是制约疲劳寿命预测的难题。
针对这些问题，华东理工大学朱明亮教授、轩福贞教授等人提出了数据-物理模型驱动的超高周疲劳寿命预测框架（图1），通过选择结构材料的小样本疲劳寿命数据，使用z参量寿命模型进行数据扩展，引入多种机器学习算法和物理模型，采用多种材料对数据-物理模型的预测能力进行比较与验证。系列研究成果以“on micro-defect induced cracking in very high cycle fatigue regime”“a data-physics integrated approach to life prediction in very high cycle fatigue regime”和“data-driven approach to very high cycle fatigue life prediction”为题先后发表在fatigue fract. eng. mater. struct.2022; 45: 3393、int. j. fatigue2023; 176: 107917和eng. fract. mech.2023; 292: 109630上。研究发现，训练集越大，机器学习方法预测材料疲劳寿命准确率越高，数据与物理模型的融合可显著提升预测准确度，为小样本数据下的超高周疲劳寿命预测提供了解决方案。基于z参量模型和人工神经网络搭建的z-pinn模型对15cr钢、fv520b-i钢和gcr15钢的超高周疲劳寿命预测准确率分别为78.9%、89.3%和94.3%（图2）。
图1 数据-物理模型驱动的疲劳裂纹扩展和超高周疲劳寿命预测框架图2三种典型材料超高周疲劳寿命预测准确度比较
通讯作者简介：
朱明亮，教授、博导，主要从事机械结构疲劳、损伤与断裂研究，发表学术论文100余篇，出版专著1部，获省部级科技一等奖3项。兼任中国材料研究学会疲劳分会理事、中国机械工程学会成组与智能集成技术分会常务委员。轩福贞，教授、博导，主要从事机械结构强度、智能传感与寿命可靠性、数字孪生技术等领域研究，发表学术论文300余篇，出版专著5部，获国家科技进步一等奖、二等奖等奖励。兼任中国机械工程学会压力容器分会副理事长、中国化工学会副理事长等。