1. 研究背景

结构钢的疲劳失效是机械工程领域的重大挑战，传统方法（如基于S-N曲线的线性Palmgren-Miner模型）无法充分捕捉非线性疲劳行为与载荷序列效应。近年来，人工智能（AI）与机器学习（ML）技术为疲劳寿命预测提供了新思路，但现有研究多聚焦单一材料或复杂深度学习模型，缺乏对多种钢材的通用性模型及计算效率的对比分析。

2. 研究方法

数据来源

• 采用日本国立材料科学研究所（NIMS）数据库及挪威斯塔万格大学（UiS）实验数据，涵盖5种结构钢（S25C-S55C）及NV D36钢，共2794组数据。

• 特征包括材料机械性能（抗拉强度、硬度等）、热处理参数（正火/淬火/回火温度）及实验条件（应力幅值、载荷类型），排除冗余化学成分特征。

预处理与特征选择

• 数据清洗：剔除缺失值，用IQR法处理异常值。

• 对数变换：对目标变量"失效循环次数"进行log10转换，使其分布接近正态。

• 特征筛?。?/p>

• 相关性分析：剔除高度线性相关特征（如"抗拉强度"与"0.2%屈服应力"，相关系数>90%）。

• 互信息分析：筛选与目标变量非线性相关性的8个特征（如"应力幅值"、"硬度"）。

机器学习模型

• 对比四种回归算法：

• 多项式回归（三阶）：线性计算高效。

• 支持向量回归（SVR）：核函数选择RBF，超参数经网格搜索优化（C=1000, γ=0.1, ε=0.1）。

• XGBoost回归：树最大深度=5，树数量=1500，学习率=0.01。

• 人工神经网络（ANN）：四层隐藏层（各256神经元），30% Dropout，Adam优化器。

评估指标

• 均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R2）。

3. 结果

• 模型性能排名：

• XGBoost综合（MSE=0.06934, R2=0.73893）。

• SVR次之（MSE=0.070431）。

• 多项式回归与ANN效果接近（MSE≈0.071），但多项式回归计算成本显著更低。

• 残差分析：所有模型预测误差集中在±0.3 log10范围内。

• 关键发现：

• XGBoost能高效捕捉非线性疲劳行为。

• 多项式回归在精度接近ANN的前提下，计算资源需求降低90%，适合资源受限场景。

4. 结论??

1. XGBoost是预测结构钢疲劳寿命的模型，精度最高。

2. 多项式回归是计算资源的理想替代方案。

3. 所有ML模型均优于传统线性方法，能有效整合材料属性、工艺参数与实验条件，提升预测鲁棒性。

?? 创新点

1. 系统对比四种ML算法在多类型钢材疲劳预测中的性能，突破单一材料局限。

2. 结合非线性损伤理论（如Pavlou提出的"S-N损伤包络线"），增强模型物理可解释性。

3. 提出特征工程框架：通过互信息分析量化微观损伤机制对寿命的影响。