316 스테인리스강의 낮은 예측
Scientific Reports 13권, 기사 번호: 6753(2023) 이 기사 인용
657 액세스
3 알트메트릭
측정항목 세부정보
316 스테인리스강의 저주기 피로 수명은 안전성 평가의 중요한 기초입니다. 일반적으로 스테인리스강의 저주기 피로 수명에는 많은 요인이 영향을 미치며, 영향 요인과 피로 수명 간의 관계는 복잡하고 비선형적입니다. 따라서 전통적인 경험식을 사용하여 피로 수명을 예측하는 것은 어렵습니다. 이를 기반으로 머신러닝 알고리즘을 제안한다. 본 논문에서는 기존의 방대한 실험 데이터를 바탕으로 316 스테인리스 강의 낮은 원주 피로 수명을 예측하기 위해 기계 학습 방법을 사용했습니다. 결과는 nu-SVR 및 ELM 모델의 예측 정확도가 높고 엔지니어링 요구를 충족할 수 있음을 보여줍니다.
316 스테인리스강은 널리 사용되는 크롬-니켈 스테인리스강입니다. 우수한 고온 피로 성능, 인성 및 내식성으로 인해 식품 가공, 의료 장비, 원자력 산업, 화학 생산 및 기타 가혹하고 엄격한 요구 사항이 있는 분야에서 일반적으로 사용됩니다. 316 스테인리스강의 작업 조건이 점점 더 복잡해짐에 따라 엔지니어링 응용 분야에서는 안전성이 최우선 고려 사항이며, 피로 수명 실패는 안전성 평가1,2의 중요한 기초입니다. 저주기 피로수명 예측을 연구하는 것은 중요합니다. 316 스테인리스강의 저주기 피로 수명 예측에 가장 많이 사용되는 모델은 전통적인 경험식 예측 방법입니다. 주요 모델은 누적 손상 이론3, 국부 응력-변형률4, 에너지 방법5, 전계 강도 방법6입니다. 전통적인 피로수명 예측에서는 수많은 실험을 통해 피로수명과 영향요인의 관계를 파악하고, 다수의 경험식을 적용하여 피로수명을 예측한다. 전통적인 경험식 피로 수명 예측 모델은 경험식의 다양성, 낮은 예측 정확도, 높고 반복적인 실험 비용, 긴 예측 시간 등 심각한 한계를 가지고 있습니다. 기계 학습의 발전은 이러한 문제를 해결하기 위한 새로운 아이디어를 제공했습니다7,8,9,10,11,12,13,14,15,16.
기계 학습(ML)은 확률 이론, 통계, 근사 이론, 볼록 분석, 알고리즘 복잡성 등을 포함하는 다양한 분야의 이론을 통합하는 다분야 분야입니다.17. 간단히 말해서, 기계 학습은 인간 학습의 컴퓨터 시뮬레이션을 통해 학습하는 방법으로, 기계 학습은 데이터로부터 모델을 지속적으로 훈련하여 일반화를 향상시킵니다18. 데이터 처리, 데이터 분석 등 기계 학습의 강력한 능력으로 인해 이 방법은 데이터 마이닝, 자동 음성 인식, 컴퓨터 비전, 오류 감지 및 진단 분야에서 널리 사용되었습니다. 현재는 수명 예측에도 일부 적용됩니다. 그러나 기계학습 모델을 이용한 316 스테인리스강의 저주기 피로수명 예측에 대한 연구는 거의 없다.
본 논문에서는 316 스테인리스강의 저주기 피로 수명을 기계 학습을 통해 예측합니다. 먼저, 수집된 문헌 데이터를 바탕으로 응력강도계수, 변형률 진폭, 잔류응력 등의 요인이 316 스테인리스강의 저주기 피로수명에 미치는 영향을 요약하였다. 둘째, 오류가 적은 예측 모델을 확보하기 위해 수집된 데이터의 민감도 분석 및 전처리를 수행했습니다. 마지막으로 316 오스테나이트 스테인리스강의 저주기 피로 수명을 예측하기 위해 BP 신경망, 유전 알고리즘 최적화 BP 신경망, 한계 학습 머신, 서포트 벡터 머신 등의 기계 학습 모델을 구축했습니다.
그림 123,24,25,26,27,28은 다양한 온도와 응력 비율에서 균열 성장 속도에 대한 응력 강도 계수의 영향을 보여줍니다. 그림에서 알 수 있듯이 응력비가 0.1, 0.3, 0.5 중 어느 것이든 동일 온도에서 응력강도계수가 증가함에 따라 균열성장률은 증가하지만 온도에 따라 증가율이 달라지는 것을 알 수 있다.