摘要
摘要
在工程结构中，零件在服役过程中往往会受到不同程度的循环载荷导致疲
劳失效，给整体结构带来巨大的安全隐患和不可估量的经济损失，因此疲劳寿
命的预测是非常必要的。近年来，增材制造技术发展迅速，增材制造钛合金作
为一种性能优良的合金被广泛应用于多种工业领域。然而，由于增材制造钛合
金显微组织的不均匀性和内部缺陷的多样性，其疲劳行为比传统制造钛合金更
加复杂，影响因素和表征参数也更加繁多，对疲劳寿命的预测提出了新的挑战。
针对增材制造钛合金精准预测高周和超高周疲劳寿命的需求，分别采用了理论
模型和机器学习模型，对增材制造钛合金在高周和超高周的疲劳寿命的预测方
法进行了研究。
在理论预测模型方面，推导了以连续介质损伤力学为基础的Chaboche疲
劳寿命模型。在此基础上，结合Murakami关系式将疲劳断面中的缺陷尺寸引
入疲劳寿命模型，建立能够反映缺陷因素的Chaboche疲劳寿命改进模型。其
次，基于增材制造钛合金的疲劳实验结果，参考Chaboche疲劳寿命模型的形
式，提出能够考虑应力幅、应力比和缺陷尺寸影响的唯象模型。分别对Chaboche
疲劳寿命改进模型和唯象模型进行参数标定，并应用于增材制造钛合金的疲劳
寿命预测中。通过与实验数据对比，讨论了两种模型的精确度和适用性。结果
表明：Chaboche改进模型所预测的疲劳寿命范围符合实验数据的大致趋势，但
精度欠佳，且不适用于应力比为-1时的情况，由唯象模型得到的疲劳寿命预
测范围能够包括大部分的疲劳实验数据，提高了预测的精确度，解决了应力比
为-1时的不相容问题。为了进一步了解疲劳行为的过程，建立了以应力幅、应
力比和缺陷尺寸为控制变量的疲劳损伤演化模型，以此分析增材制造钛合金的
疲劳损伤进程。
在机器学习预测模型方面，对增材制造钛合金疲劳实验数据进行了采集和
数据预处理，确定了机器学习模型的输入变量为应力幅、应力比、屈服应力、
粉末尺寸、试样直径和能量密度，输出为预测疲劳寿命。构建深度置信神经网
络与反向传播神经网络相结合的疲劳寿命预测模型，完成该模型训练和测试，
实现疲劳寿命的预测。对比疲劳寿命的预测值与实验值，验证机器学习模型的
正确性和精确度。为了进一步衡量机器学习模型的预测性能，评估了机器学习
模型的稳定性，分析了网络结构对预测精度的影响。结果表明：机器学习模型
表现出高精度和强稳定性，为预测增材制造钛合金的高周及超高周疲劳寿命提
供了一种有效可行的方法。
-I-
摘要
理论模型通常难以评估影响因素对疲劳性能的影响作用，因此，基于精度
较高的机器学习模型，预测了应力幅与平均应力间的关系，并与Gerber、
Goodman和Pan等人的理论进行对比；其次，探究了工艺参数（能量密度）对
疲劳性能的直接影响，以及能量密度通过改变静力性能（屈服极限）对疲劳性
能的间接影响；最后，从微观粉末颗粒和宏观试样直径两个方面分析了增材制
造钛合金疲劳性能的尺寸效应。
关键词：疲劳寿命预测；增材制造钛合金；损伤力学；机器学习
-II-
Abstract
Abstract
Inengineeringstructures,partsareoftensubjectedtodifferentdegreesofcyclic
loadsduringservice,leadingtofatiguefailure,whichbringshugesafetyhazardsand
immeasurableecono