物理信息神经网络

疲劳寿命预测更准

面向铜合金低周疲劳与蠕变-疲劳交互作用,该网络将改进的能量法嵌入网络结构,并通过分层惩罚机制约束输出,兼顾预测精度与物理可解释性。

Yanjun, Guo · Hang, Meng · Zihao, Zhu · 王建元 · 王佩艳 · Tao, Zuo · Huo, Shihui · 岳珠峰

International Journal of Fatigue 2026

参数信息

预测误差带内比例
85 %
预测误差带内比例
100 %
实验数据样本数
88

技术优势

误差带更窄

所有预测点都落在2倍误差带内,约85%落在1.5倍误差带内,精度足以支持工程寿命评估。

物理可解释

将改进的能量模型嵌入网络,并分离塑性应变能与蠕变应变能项,输出受到物理约束。

比ML模型更稳

相比随机森林、支持向量回归和深度神经网络,预测稳定性与泛化能力更强。

应用场景