基于网格搜索优化的LSTM多轴疲劳寿命预测方法

传统的多轴疲劳寿命预测模型通常局限于特定的材料和载荷条件。为了应对这种不足,本研究采用深度学习方法处理不同的多轴疲劳加载条件,使用网格搜索优化算法确定长短期记忆网络(LSTM)深度学习模型的学习率、隐藏层数和迭代次数3个超参数的最优组合,使深度学习模型达到最佳预测性能。使用该方法对纯钛、SS 316L、TC4铝合金3种材料进行寿命预测,结果均在2倍误差带以内,且1.5倍误差带内的预测结果占比较高。利用2组调整过的数据集对所提方法的外推能力进行测试,结果表明,所提方法对未知加载路径的外推能力较好。基于网格搜索的LSTM多轴疲劳寿命预测方法可用于各种材料、各种加载路径的多轴疲劳寿命预测。