物理信息神經網絡在疲勞裂紋擴展參數辨識及剩余壽命預估中的應用
摘要準確預測疲勞裂紋擴展剩余壽命（FCGL）對制定設備維護策略、預防事故至關重要。傳統預測方法存在明顯局限：純物理方法（如基于Paris定律）依賴精確的物理模型參數，卻難以應對復雜工況下的個體差異；純數據驅動方法（如神經網絡）需大量標注數據，易出現“黑箱”問題和物理違背。為解決這些痛點，本文提出一種物理信息神經網絡（PINN）方法，融合疲勞裂紋擴展的物理知識與監測數據，實現參數識別與剩余壽命的高精度預測，且在有限數據下仍能保持魯棒性。研究內容與方法1、核心目標針對疲勞裂紋擴展...
