疲劳强度估计中的鲁棒性
本文针对 Metaverse 背景下,多肌肉协调、日常锻炼中的疲劳评估问题,提出一种基于肌肉补偿特征和脊髓模块激活变化的新型疲劳特征提取方法,结合贝叶斯高斯过程模型进行连续疲劳估计,并使用遵循生理学原则的度量方法来评估性能,实验结果表明该方法有效性更佳。
Mar, 2023
通过建立三个机器学习模型,即支持向量机(SVM)、高斯过程回归(GPR)和人工神经网络(ANN),利用不同带宽参数的多个功率谱样本和与疲劳寿命相关的多种材料特性,提出了广域疲劳寿命预测的机器学习方法,经过大量的蒙特卡洛数值模拟验证,表明新开发的机器学习模型在寿命预测准确性方面优于传统的频域模型,其中人工神经网络模型在三个开发的机器学习模型中具有最佳的综合性能。
Nov, 2023
研究设计了一种统计学习框架来预测具有不确定性的加载条件下,疲劳裂纹的增长和构件失效寿命,并通过降维和神经网络等技术处理了疲劳裂纹增长的历史依赖性和非线性问题,通过路径切片和重新加权等技术应对了统计噪声和罕见事件,对疲劳裂纹进行了自更新和自纠正,实时监测结构健康和疲劳寿命预测以支持维修管理决策的数字孪生情景进行了验证。
Sep, 2023
在离岸支架基础的设计中,疲劳寿命至关重要。提出了一种增强焊接接头疲劳性能的焊后处理方法,其中高频力学冲击(HFMI)处理被证明可以显著改善疲劳性能。自动化的 HFMI 处理提高了质量保证并在与精确的疲劳寿命预测相结合时可以带来成本效益的设计。然而,常用于预测复杂或多轴接头疲劳寿命的有限元方法(FEM)依赖于对焊缝的基本 CAD 描述,未能考虑实际的焊缝几何形状和缺陷。将实际的焊缝几何形状包含在有限元模型中可以改进疲劳寿命预测和可能的裂纹位置预测,但需要利用数字重建焊缝。目前的数字重建方法耗时或需要专门的扫描设备和零件重新定位。所提出的框架则使用工业机械臂和线扫描仪结合,将数字重建作为自动化 HFMI 处理装置的一部分。该方法应用标准图像处理、简单的滤波技术和非线性优化来对齐和合并重叠的扫描。筛选的泊松表面重构完成了三维模型以创建网格表面。其结果是一种通用、具有成本效益、灵活且快速的方法,可以实现焊接零部件的常规数字重建,有助于零件设计、整体质量保证和 HFMI 处理的文档化。
Jul, 2023
通过深度学习方法估计刀具磨损,在考虑切削参数的情况下,通过铣削实验评估模型的准确性和传递性,结果表明该方法在传递性和快速学习能力方面优于传统方法。
Jul, 2024
通过热成像和面部分析技术利用深度学习模型,我们提出了一种自动估计运动引起的疲劳水平的方法。利用包含 40 万多张静息和疲劳用户的热面部图像的新数据集,我们的结果表明,只需一个静态热帧即可预测运动引起的疲劳水平,平均误差小于 15%。结果强调了将热成像与深度学习结合用于可靠运动引起的疲劳估计的可行性。
Sep, 2023
提出了一种利用数据驱动模型加速材料发现优化过程的方法,该方法可以指导科学家先测试最有前途的候选者,并结合不确定性分析为探索高不确定度的候选者和利用参数空间高性能区域提供建议。该方法在材料科学领域的四个测试案例表明,比随机猜测平均少三倍的实验次数就找到了最佳候选方案。
Apr, 2017
通过利用高斯过程回归模型,构建计算高效、概率化的代理模型来对裂纹的随机扩展进行建模,实现对不确定性源的精确表示,并成功地应用于裂纹监测和损伤预测领域。
Oct, 2023
基于高斯过程回归的概率物理信息机器学习框架,通过测量挠度、速度或加速度来重建动力学力,适用于不完整和受污染的数据,可以用于考虑测量系统噪声的自然正则化方法,推测了格陵兰东桥的空气动力学响应,结果显示应用和预测的动态负荷之间存在良好的一致性,并可用于计算全局响应和所产生的内部力,该框架的应用包括验证设计模型和假设,以及辅助损伤检测和结构健康监测的预测。
Aug, 2023