(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111392443.6 (22)申请日 2021.11.19 (71)申请人 华东理工大 学 地址 200237 上海市徐汇区梅陇路13 0号 (72)发明人 轩福贞　张效成　宫建国　 (74)专利代理 机构 上海智信专利代理有限公司 31002 代理人 邓琪　熊俊杰 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/06(2006.01) G06N 3/08(2006.01) G06F 119/02(2020.01) G06F 119/04(2020.01) (54)发明名称 一种基于融合物理神经网络的蠕变疲劳寿 命预测方法 (57)摘要 本发明涉及一种基于融合物理神经网络的 蠕变疲劳寿命预测方法， 包括以下步骤： S1： 获取 目标部件材料的初始特征和蠕变疲劳寿命； S2： 通过融合物理特征工程计算扩展特征； S3： 对输 入特征和输出特征进行敏感性分析； S4： 对输入 特征和输出特征进行预处理； S5： 搭建深层神经 网络模型； S6： 搭建融合物理神经网络模型； S7： 模型训练和参数优化； S8： 蠕变疲劳寿命预测； S9： 模型更新。 本发明的基于融合物理神经网络 的蠕变疲劳寿命 预测方法， 通过在深层神经网络 模型中纳入融合物理损失函数， 限定模型的输出 值范围， 从而对神经网络模型纳入物理约束， 使 得预测结果更准确。 权利要求书2页 说明书6页 附图3页 CN 114021481 A 2022.02.08 CN 114021481 A 1.一种基于融合物理神经网络的蠕变疲劳寿命预测方法， 其特 征在于， 包括以下步骤： S1： 获取目标部件材 料的初始特 征， 并根据所述初始特 征得到材料的蠕变疲劳寿命； S2： 根据所述初始特 征， 通过融合物理特 征工程计算扩展特 征； S3： 将初始特征和扩展特征作为输入特征， 蠕变疲劳寿命作为输出特征， 并对输入特征 和输出特征进行敏感性分析； S4： 对所述输入特 征进行归一 化， 对所述输出 特征取对数； S5： 搭建深层神经网络模型； S6： 搭建融合物理神经网络模型； S7： 利用归一化的输入特征和取对数后的输出特征对融合物理神经网络模型进行训 练， 并对所述融合物理神经网络的参数进行优化； S8： 将待测材料归一化后的初始特征和扩张特征输入至参数优化后的融合物理神经网 络模型中， 得到待测材 料的蠕变疲劳寿命； S9： 对参数优化后的融合物理神经网络模型进行 更新。 2.根据权利要求1所述的基于融合物理神经网络的蠕变疲劳寿命预测方法， 其特征在 于， 所述初始特 征包括载荷条件和材 料的化学成分。 3.根据权利要求2所述的基于融合物理神经网络的蠕变疲劳寿命预测方法， 其特征在 于， 所述载荷条件 包括应变幅、 加载速率、 温度和保载时间。 4.根据权利要求1所述的基于融合物理神经网络的蠕变疲劳寿命预测方法， 其特征在 于， 所述扩展特 征包括屈服强度、 堆叠层错能、 纯疲劳寿命及蠕变断裂寿命。 5.根据权利要求1所述的基于融合物理神经网络的蠕变疲劳寿命预测方法， 其特征在 于， 步骤S3的敏感性分析为利用皮尔森相关系数衡量输入特征和输出特征的线性相关程 度。 6.根据权利要求5所述的基于融合物理神经网络的蠕变疲劳寿命预测方法， 其特征在 于， 所述皮尔森相关系数满足如下关系式： 其中， Corr(Xi， Y)为皮尔森相关系数， Xi为输入特征， Y为输出特征， Cov为协方差， Var为 方差。 7.根据权利要求1所述的基于融合物理神经网络的蠕变疲劳寿命预测方法， 其特征在 于， 步骤S5进一步包括： 通过试错法确定深层神经网络模型的隐含层层数和 每层神经元数 量。 8.根据权利要求1所述的基于融合物理神经网络的蠕变疲劳寿命预测方法， 其特征在 于， 步骤S 6包括： 通过添加融合物理损失函数项， 将所述融合物理神经网络模型的输出限定 在0至105小时以内。 9.根据权利要求8所述的基于融合物理神经网络的蠕变疲劳寿命预测方法， 其特征在 于， 所述融合物理损失函数项满足如下关系式：权　利　要　求　书 1/2 页 2 CN 114021481 A 2其中， Lphy， 1、 Lphy， 2为融合物理损失函数项， 为蠕变‑疲劳预测寿命； N表示训练集样本 数量； ReLU为线性整流函数， 当输入小于0时， 输出为0， 当输入 大于0时， 输出值等于输入值； λ1、 λ2、 λ3为常数， λ1、 λ2通过试错法确定， λ3为数据集中蠕变疲劳寿命上限。 10.根据权利要求1所述的基于 融合物理神经网络的蠕变疲劳寿命预测方法， 其特征在 于， 步骤S9包括： 通过添加新数据和更新算法对参数优化后的融合物理神经网络模型进行 更新。权　利　要　求　书 2/2 页 3 CN 114021481 A 3