一种钛合金应力腐蚀临界应力强度因子预测方法

1.本发明涉及钛合金腐蚀检测技术领域，特别是指一种钛合金应力腐蚀临界应力强度因子预测方法。


背景技术：

2.深远海环境下钛合金腐蚀评价是一项系统性工程，涉及服役条件下材料在多因素耦合环境中的演化行为、从微观到真实结构的尺度关联等复杂的科学与技术问题。材料腐蚀数据是研究材料腐蚀失效规律和材料性能演化的基础。近年来，随着数据驱动的建模思想迅速发展，以机器学习为代表的新一代人工智能技术的发展为深远海环境下材料失效规律挖掘、材料腐蚀速率预测和失效边界预警提供了新思路。由于影响深远海钛合金腐蚀的因素众多，作用规律也相对复杂，存在高度非线性，深度学习模型的黑盒性质使其在深远海材料腐蚀规律研究中的作用非常有限。
3.应力腐蚀是指金属在腐蚀介质中受到残余或外加应力导致的应变和腐蚀联合作用产生的材料破坏过程。这种腐蚀一般均穿过晶粒，即所谓穿晶腐蚀，同时已存在沿晶腐蚀的情况。金属发生应力腐蚀时，仅在局部区域出现由表及里的裂纹。裂纹在主干裂纹延伸的同时，还有若干分支同时发展。裂纹的走向宏观上与拉应力方向垂直，微观断裂机理一般为沿晶断裂，也可能为穿晶解理断裂或二者的混合，断裂表面可见到“泥状花样”的腐蚀产物及腐蚀坑。一般应力腐蚀都属于脆性断裂，包括孕育区、扩展区和瞬断区三部分。对于裂纹扩展速率，应力腐蚀存在临界应力强度因子k
iscc
，即临界应力强度因子的实际值要大于k
iscc
，裂纹才会扩展。应力腐蚀的裂纹扩展速率一般为10-6
～10-3
mm/min。在应力腐蚀条件下，发生应力腐蚀裂纹扩展的应力强度因子(kⅰ)的下门槛值，符号为k
iscc
。若kⅰ值低于k
iscc
则不会发生应力腐蚀的裂纹扩展。k
iscc
随介质和材料而异，需由实验测定，与介质的温度也有关系。平面应变断裂韧度是材料断裂韧性指标表示为k
ic
，平面应变断裂的条件为裂纹尖端塑性区尺寸远小于裂纹长度和其他几何尺寸。一般k
iscc
＝(0.2～0.5)k
ic
。存在应力腐蚀可能的系统中，若能有效地检测出存在的裂纹的尺寸，计算出kⅰ《k
iscc
，则结构是安全的。若kⅰ》k
iscc
，但小于k
ic
，此时裂纹将发生应力腐蚀扩展，需进行安全寿命预测。降低构件的工作应力、用热处理方法消除构件中的各种残余应力，或设法减小温差应力均是避免与减缓应力腐蚀的有效措施。
4.由于深远海环境钛合金腐蚀基础数据积累较少但数据来源较多，而多源实验数据间存在强异质性，因此可归类于稀疏多源异质特性，故一方面需要估计填充实验数据中的缺失值即实现数据增强，另一方面需要针对多源异质数据进行有效地整合，实现数据的互补和修正。利用深远海环境下钛合金材料基础数据、物理试验数据、实海试验数据、仿真分析数据等，对单一因素、多因素变化条件下的钛合金材料的各类监检测数据进行配准与关联，为后续数据融合与数据建模提供基础。
5.但是现有技术中，无法根据现有的腐蚀数据，准确预测应力腐蚀临界应力强度因子预测。


技术实现要素：

6.本发明实施例提供了钛合金应力腐蚀临界应力强度因子预测方法，能够利用待预测的钛合金所处条件下的组织结构、加载方向、压力、温度和溶解氧浓度这五种参数准确预测应力腐蚀临界应力强度因子k
iscc
。所述技术方案如下：
7.本发明实施例提供了一种钛合金应力腐蚀临界应力强度因子预测方法，包括：
8.获取训练样本集和测试样本集，其中，训练样本集和测试样本集中的每个样本包括：组织结构、加载方向、压力、温度、溶解氧浓度以及k
iscc
，k
iscc
表示应力腐蚀临界应力强度因子；
9.将训练样本集输入到多种不同的回归模型中进行训练，训练完成后，将测试样本集输入到训练好的回归模型中进行测试，根据测试结果得到每种回归模型的k
iscc
预测值的预测准确度；其中，所述回归模型包括：最小二乘法拟合方法、梯度增强回归模型和随机森林回归模型；
10.将待预测的钛合金所处条件下的组织结构、加载方向、压力、温度和溶解氧浓度输入到预测准确度最高的回归模型中，输出k
iscc
预测值。
11.进一步地，所述获取训练集和测试集包括：
12.根据钛合金所处条件下的组织结构、加载方向、压力、温度、溶解氧浓度这五种参数进行实验，得到对应的应力腐蚀临界应力强度因子，组成样本集；其中，样本集中的每个样本包括：组织结构、加载方向、压力、温度、溶解氧浓度以及应力腐蚀临界应力强度因子；
13.对样本集进行预处理，其中，所述预处理包括：处理缺失值、特征编码和删除离群点；
14.将预处理后的样本集划分为训练集和测试集。
15.进一步地，所述组织结构包括：等轴、双态和魏氏；
16.所述加载方向包括：横向和纵向。
17.进一步地，训练时，在梯度增强回归模型中，设置决策树结点数max_depth＝3、学习算法数量n_estimators＝100。
18.进一步地，训练时，在随机森林回归模型中，设置树的棵树n_estimators＝100、拆分内部节点所需的最少样本数min_samples_split＝2、在叶节点处需要的最小样本数min_samples_leaf＝1、在所有叶节点处的权重总和中的最小加权分数min_weight_fraction_leaf＝0。
19.进一步地，所述根据测试结果得到每种回归模型的k
iscc
预测值的预测准确度包括：
20.绘制出每种回归模型输出的k
iscc
预测值与k
iscc
真实值的对比曲线图，根据对比曲线图得到每种训练好的回归模型的预测准确度。
21.进一步地，所述将待预测的钛合金所处条件下的组织结构、加载方向、压力、温度和溶解氧浓度输入到预测准确度最高的回归模型中，输出k
iscc
预测值包括：
22.将待预测的钛合金所处条件下的组织结构、加载方向、压力、温度和溶解氧浓度输入到其中一种回归模型进行预测，输出k
iscc
预测值；
23.根据输出的k
iscc
预测值所属的k
iscc
范围，选择该范围对应的预测准确度最高的回归模型进行预测，得到最终的k
iscc
预测值。
24.本发明实施例提供的技术方案带来的有益效果至少包括：
25.本发明实施例中，获取训练样本集和测试样本集；将训练样本集输入到多种不同的回归模型中进行训练，训练完成后，将测试样本集输入到训练好的回归模型中进行测试，根据测试结果得到每种回归模型的k
iscc
预测值的预测准确度；其中，所述回归模型包括：最小二乘法拟合方法、梯度增强回归模型和随机森林回归模型；将待预测的钛合金所处条件下的组织结构、加载方向、压力、温度和溶解氧浓度输入到预测准确度最高的回归模型中，输出k
iscc
预测值。这样，能够利用待预测的钛合金所处条件下的组织结构、加载方向、压力、温度和溶解氧浓度这五种参数准确预测应力腐蚀临界应力强度因子k
iscc
。
附图说明
26.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
27.图1为本发明实施例提供的钛合金应力腐蚀临界应力强度因子预测方法的流程示意图；
28.图2为本发明实施例提供的最小二乘法拟合方法(ls)、梯度增强回归模型(gbr)、随机森林回归模型(rfr)这三种回归模型预测的结果与k
iscc
真实值的对比曲线示意图；
29.图3为本发明实施例提供的钛合金应力腐蚀临界应力强度因子预测方法对应系统的界面示意图。
具体实施方式
30.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
31.如图1所示，本发明实施例提供了一种钛合金应力腐蚀临界应力强度因子预测方法，包括：
32.s101，获取训练样本集和测试样本集，其中，训练样本集和测试样本集中的每个样本包括：组织结构、加载方向、压力、温度、溶解氧浓度以及k
iscc
，k
iscc
表示应力腐蚀临界应力强度因子；
33.本实施例中，所述获取训练集和测试集包括：
34.a1，根据钛合金所处条件下的组织结构、加载方向、压力、温度、溶解氧浓度这五种参数进行实验，得到对应的应力腐蚀临界应力强度因子，组成样本集；其中，样本集中的每个样本包括：组织结构(α％)、加载方向、压力(mpa)、温度(℃)、溶解氧浓度(ppm)以及应力腐蚀临界应力强度因子；
35.a2，对样本集进行预处理，其中，所述预处理包括：处理缺失值、特征编码和删除离群点；
36.本实施例中，组织结构分为等轴、双态、魏氏，并分别编码设为0、1、2；加载方向分为横向、纵向，并分别编码设为1、2。
37.a3，将预处理后的样本集划分为训练集和测试集。
38.本实施例中，可以从预处理后的样本集中随机抽取80％出来作为训练集，剩下的20％作为测试集。
39.s102，生成模型：将训练样本集输入到多种不同的回归模型中进行训练，训练完成后，将测试样本集输入到训练好的回归模型中进行测试，根据测试结果得到每种回归模型的k
iscc
预测值的预测准确度；其中，所述回归模型包括：最小二乘法拟合方法(ls)、梯度增强回归模型(gbr)、随机森林回归模型(rfr)；
40.本实施例中，训练时，在梯度增强回归模型中，设置决策树结点数max_depth＝3、学习算法数量n_estimators＝100。
41.本实施例中，训练时，在随机森林回归模型中，设置树的棵树n_estimators＝100、拆分内部节点所需的最少样本数min_samples_split＝2、在叶节点处需要的最小样本数min_samples_leaf＝1、在所有叶节点处的权重总和中的最小加权分数min_weight_fraction_leaf＝0。
42.本实施例中，所述根据测试结果得到每种回归模型的k
iscc
预测值的预测准确度包括：
43.绘制出每种回归模型输出的k
iscc
预测值与k
iscc
真实值的对比曲线图，根据对比曲线图，如图2所示，图2中，有4条曲线，分别为：k
iscc
真实值曲线、最小二乘法拟合方法(ls)预测的k
iscc
预测值曲线、梯度增强回归模型(gbr)预测的k
iscc
预测值曲线和随机森林回归模型(rfr)预测的k
iscc
预测值曲线，纵轴表示k
iscc
值，横轴表示测试集中样本的序号，根据对比曲线图可知：当k
iscc
《85时，随机森林回归模型(rfr)预测的结果与真实值最接近，即预测准确度最高；当85《k
iscc
《90时，最小二乘法拟合方法(ls)预测的结果与真实值最接近；当90《k
iscc
《120时，随机森林回归模型(rfr)预测的结果与真实值最接近；当k
iscc
》120时，梯度增强回归模型(gbr)预测的结果与真实值最接近。
44.s103，将待预测的钛合金所处条件下的组织结构、加载方向、压力、温度和溶解氧浓度输入到预测准确度最高的回归模型中，输出k
iscc
预测值，具体可以包括以下步骤：
45.b1，将待预测的钛合金所处条件下的组织结构、加载方向、压力、温度和溶解氧浓度输入到其中一种回归模型进行预测，输出k
iscc
预测值；
46.b2，根据输出的k
iscc
预测值所属的k
iscc
范围，选择该范围对应的预测准确度最高的回归模型进行预测，得到最终的k
iscc
预测值。
47.本实施例中，针对待预测的钛合金所处条件下的组织结构、加载方向、压力、温度和溶解氧浓度这五种参数的参数值，先随机选取一种回归模型进行预测，预估k
iscc
预测值所属的k
iscc
范围，然后选择该范围对应的预测准确度最高的回归模型进行预测，得到该参数下的最终的k
iscc
预测值。例如，当随机选取的回归模型输出的k
iscc
预测值为86，说明所属的k
iscc
范围为：85《k
iscc
《90，则选取最小二乘法拟合方法进行预测，得到最终的k
iscc
预测值。
48.本实施例提供的钛合金应力腐蚀临界应力强度因子预测方法对应系统的界面，如图3所示。
49.本实施例中，针对钛合金的一类服役材料，利用待预测的钛合金所处条件下的组织结构、加载方向、压力、温度和溶解氧浓度这五种参数来预测应力腐蚀临界应力强度因子的结果，实现基于数据驱动的应力腐蚀临界应力强度因子预测。
50.本发明实施例所述的钛合金应力腐蚀临界应力强度因子预测方法，在进行模拟实
验后，能够在不方便测量钛合金的临界应力强度因子的真实值的场景(如：深海、远海)中，将该钛合金所处条件下的五种参数输入即可较准确预测应力腐蚀临界应力强度因子k
iscc
，比较方便快捷，为深远海材料的腐蚀规律研究提供基础。
51.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。