改进HHO优化集成学习的钢材疲劳强度研究

钢材疲劳强度是机械部件的设计与失效分析中所需的重要信息,在实际工程中,疲劳载荷作用下的部件往往会出现裂纹甚至断裂,因此疲劳强度的准确预测尤为重要。针对传统S-N曲线计算周期长等问题,采用Stacking集成机器学习方法对钢材疲劳强度进行研究,并采用哈里斯鹰优化算法提高模型准确率,同时引入Piecewise映射、准反向学习,鲸鱼捕食策略共同改进哈里斯鹰算法(POW-HHO),帮助算法跳出局部最优解,提高收敛精度。通过构建的正向预测模型与POW-HHO算法相结合,进行钢材疲劳的逆向设计,采用Null Importance方法进行特征选择以提高设计效率,最终逆向设计结果对钢材疲劳强度的研究具有一定指导意义。实验结果表明,上述模型表现良好,具有正向预测与逆向设计的能力,且准确率较高。