本技術(shù)涉及航空結(jié)構(gòu)疲勞安全設(shè)計領(lǐng)域，特別是涉及一種基于數(shù)據(jù)驅(qū)動的裂紋擴展模型建立方法、設(shè)備及介質(zhì)。

背景技術(shù)：

1、裂紋擴展分析在航空結(jié)構(gòu)的疲勞安全設(shè)計中具有重要作用，通過預測結(jié)構(gòu)中的裂紋如何在長期使用的重復載荷下逐漸擴展，從而幫助確定結(jié)構(gòu)的剩余壽命和安全檢查周期。其中，可靠的裂紋擴展模型是裂紋擴展分析的重要基礎(chǔ)，它用于反映含裂紋結(jié)構(gòu)在循環(huán)載荷作用下的裂紋擴展速率。其中一個具有里程碑意義的例子，便是paris模型的提出：（為應(yīng)力強度因子變程，代表裂紋前緣在單個載荷循環(huán)后的擴展量，c和m為材料相關(guān)系數(shù)），其僅僅通過簡潔的單一模型，就能夠描述不同實驗中裂紋從初始尺寸擴展到臨界尺寸的過程中裂紋擴展速率的變化，在相當程度上揭示了結(jié)構(gòu)中復雜裂紋擴展行為的內(nèi)在相似性。基于這一統(tǒng)一模型，工程師能夠更加可靠地分析和預測結(jié)構(gòu)中的裂紋擴展行為，從而極大促進了結(jié)構(gòu)損傷容限設(shè)計理念的應(yīng)用，提高了金屬結(jié)構(gòu)服役的疲勞安全性。

2、然而，真實結(jié)構(gòu)中的裂紋擴展行為復雜，不僅在不同階段表現(xiàn)出顯著的差異，還與裂紋類型、加載方式、材料狀態(tài)與環(huán)境條件等多方面的因素有關(guān)。針對paris?law的局限性，學者們提出了各種改進模型。例如，通過引入針對緩慢裂紋擴展階段和快速裂紋擴展階段的漸進項而更全面反映不同階段的裂紋擴展速率特征，為了反映由材料塑性變形導致的裂紋閉合影響而對建立修正，以及為了統(tǒng)一小裂紋擴展與長裂紋擴展階段而提出的多種改進模型等。特別的，還有一部分改進模型專門針對影響裂紋擴展的因素而建立。例如，為了考慮裂紋類型的影響，相關(guān)技術(shù)中建立了針對角裂紋/面裂紋的修正模型；為了考慮載荷的影響，walker模型引入了應(yīng)力比的影響，willenborg模型考慮了載荷交互作用的影響；為了考慮材料差異導致的裂紋閉合效應(yīng)差異，相關(guān)技術(shù)中提出了一系列修正模型；為了考慮環(huán)境因素，相關(guān)技術(shù)中在forman模型的基礎(chǔ)上建立了相應(yīng)的修正模型等。

3、盡管國內(nèi)外研究人員已經(jīng)針對裂紋擴展模型的構(gòu)建開展了廣泛的工作，但是這些模型用作裂紋擴展行為分析時仍存挑戰(zhàn)：一方面，大部分基于paris模型的改進模型通常只針對特定特征進行改進，無法全面反映裂紋類型、加載方式、材料狀態(tài)與環(huán)境條件等多方面的因素，因而模型的泛化性存在挑戰(zhàn)。另一方面，雖然像nasgro這種組合式模型較全面地考慮了影響裂紋擴展的各種因素而具有較好的通用性，但是其為了涵蓋多種裂紋擴展特征而包含十多個參數(shù)，這些參數(shù)大多缺乏明確的物理意義，需要豐富的工程經(jīng)驗來確定，具有不小的應(yīng)用難度。因此，迄今為止眾多學者仍在不斷探索建立更加簡潔卻又通用的統(tǒng)一裂紋擴展模型，以為高效可靠的裂紋擴展分析提供支撐。

技術(shù)實現(xiàn)思路

1、本技術(shù)的目的是提供一種基于數(shù)據(jù)驅(qū)動的裂紋擴展模型建立方法、設(shè)備及介質(zhì)，可構(gòu)建一種簡潔通用的統(tǒng)一裂紋擴展模型。

2、為實現(xiàn)上述目的，本技術(shù)提供了如下方案。

3、第一方面，本技術(shù)提供了一種基于數(shù)據(jù)驅(qū)動的裂紋擴展模型建立方法，包括以下步驟。

4、獲取多源裂紋擴展實驗數(shù)據(jù)并進行數(shù)據(jù)分類。

5、獲取初始裂紋擴展模型；所述初始裂紋擴展模型包括預設(shè)的經(jīng)典裂紋擴展模型和預設(shè)的修正項；所述預設(shè)的修正項包括至少一個未知的基函數(shù)和對每一基函數(shù)配置的可變參數(shù)。

6、根據(jù)預設(shè)的運算符集和預設(shè)的終止符集隨機構(gòu)造多種基函數(shù)的函數(shù)表達形式；所述預設(shè)的終止符集中的終止符包括初始裂紋擴展模型的輸入變量和所述基函數(shù)中的常數(shù)項；基函數(shù)構(gòu)造時，所述常數(shù)項的數(shù)值未知。

7、利用構(gòu)造的基函數(shù)替換所述初始裂紋擴展模型中的未知的基函數(shù)，得出若干個備選裂紋擴展模型；每一所述備選裂紋擴展模型包括多個未知的可變參數(shù)；所述備選裂紋擴展模型的可變參數(shù)至少包括基函數(shù)配置的可變參數(shù)；所述可變參數(shù)是指備選裂紋擴展模型中會隨實驗數(shù)據(jù)變化而變化的參數(shù)。

8、將若干個備選裂紋擴展模型構(gòu)成初始裂紋擴展模型種群；每一備選裂紋擴展模型視為一個個體；所述備選裂紋擴展模型中基函數(shù)的各項元素均視為一個基因；各項元素包括構(gòu)造出的基函數(shù)中的運算符和終止符。

9、采用基因交叉與突變行為對所述初始裂紋擴展模型種群中的個體進行演化，根據(jù)各分類的裂紋擴展實驗數(shù)據(jù)對每一個體對應(yīng)的模型的可變參數(shù)進行擬合，計算出每一個體的評價指標以篩選出最優(yōu)裂紋擴展模型；所述評價指標包括模型復雜度、模型可變參數(shù)的數(shù)量、模型擬合優(yōu)度和模型可變參數(shù)值的變化分散程度。

10、第二方面，本技術(shù)提供了一種基于數(shù)據(jù)驅(qū)動的裂紋擴展模型建立設(shè)備，包括以下模塊。

11、多源數(shù)據(jù)分類模塊，用于獲取多源裂紋擴展實驗數(shù)據(jù)并進行數(shù)據(jù)分類。

12、初始裂紋擴展模型獲取模塊，用于獲取初始裂紋擴展模型；所述初始裂紋擴展模型包括預設(shè)的經(jīng)典裂紋擴展模型和預設(shè)的修正項；所述預設(shè)的修正項包括至少一個未知的基函數(shù)和對每一基函數(shù)配置的可變參數(shù)。

13、基函數(shù)構(gòu)造模塊，用于根據(jù)預設(shè)的運算符集和預設(shè)的終止符集隨機構(gòu)造多種基函數(shù)的函數(shù)表達形式；所述預設(shè)的終止符集中的終止符包括初始裂紋擴展模型的輸入變量和所述基函數(shù)中的常數(shù)項；基函數(shù)構(gòu)造時，所述常數(shù)項的數(shù)值未知。

14、備選裂紋擴展模塊構(gòu)造模塊，用于利用構(gòu)造的基函數(shù)替換所述初始裂紋擴展模型中的未知的基函數(shù)，得出若干個備選裂紋擴展模型；每一所述備選裂紋擴展模型包括多個未知的可變參數(shù)；所述備選裂紋擴展模型的可變參數(shù)至少包括基函數(shù)配置的可變參數(shù)；所述可變參數(shù)是指備選裂紋擴展模型中會隨實驗數(shù)據(jù)變化而變化的參數(shù)。

15、種群構(gòu)建模塊，用于將若干個備選裂紋擴展模型構(gòu)成初始裂紋擴展模型種群；每一備選裂紋擴展模型視為一個個體；所述備選裂紋擴展模型中基函數(shù)的各項元素均視為一個基因；各項元素包括構(gòu)造出的基函數(shù)中的運算符和終止符。

16、裂紋擴展模型尋優(yōu)模塊，用于采用基因交叉與突變行為對所述初始裂紋擴展模型種群中的個體進行演化，根據(jù)各分類的裂紋擴展實驗數(shù)據(jù)對每一個體對應(yīng)的模型的可變參數(shù)進行擬合，計算出每一個體的評價指標以篩選出最優(yōu)裂紋擴展模型；所述評價指標包括模型復雜度、模型可變參數(shù)的數(shù)量、模型擬合優(yōu)度和模型可變參數(shù)值的變化分散程度。

17、第三方面，本技術(shù)提供了一種計算機設(shè)備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序以實現(xiàn)上述的基于數(shù)據(jù)驅(qū)動的裂紋擴展模型建立方法。

18、第四方面，本技術(shù)提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上述的基于數(shù)據(jù)驅(qū)動的裂紋擴展模型建立方法。

19、根據(jù)本技術(shù)提供的具體實施例，本技術(shù)公開了以下技術(shù)效果。

20、本技術(shù)提供了一種基于數(shù)據(jù)驅(qū)動的裂紋擴展模型建立方法、設(shè)備及介質(zhì)，方法包括：獲取多源裂紋擴展實驗數(shù)據(jù)并進行數(shù)據(jù)分類；獲取包含未知修正項的初始裂紋擴展模型；根據(jù)預設(shè)的運算符和預設(shè)的終止符隨機構(gòu)造修正項中基函數(shù)的多種函數(shù)表達形式；將構(gòu)造的基函數(shù)代入初始裂紋擴展模型中，得出備選裂紋擴展模型；將若干個備選裂紋擴展模型構(gòu)成初始裂紋擴展模型種群；采用基因交叉與突變行為對所述初始裂紋擴展模型種群中的個體進行演化，根據(jù)各分類的裂紋擴展實驗數(shù)據(jù)對每一個體的模型參數(shù)進行擬合，計算出每一個體的評價指標以篩選出最優(yōu)裂紋擴展模型。本發(fā)明構(gòu)造出多種備選裂紋擴展模型，利用不同分類實驗數(shù)據(jù)進行模型參數(shù)（包括可變參數(shù)和常數(shù)參數(shù)）擬合，計算各模型的評價指標，從而在演化過程中篩選表現(xiàn)優(yōu)異個體，最終篩選出最優(yōu)的裂紋擴展模型。本發(fā)明能夠基于多源裂紋擴展實驗數(shù)據(jù)可靠地學習得到滿足要求的統(tǒng)一裂紋擴展模型。