Modeling of QSTE340TM steel fcg curve by neural network

Abstract

Дослідження стосується моделювання росту втомних тріщин у сталі QSTE340TM за допомогою нейронної мережі. Цей матеріал є термомеханічно прокатана високоміцна, низьколегована сталь з границею плинності 340 МПа, яка поєднує міцність, здатність до зварювання і чудові властивості холодного формування. Це матеріал, який успішно застосовують у автомобілебудування та елементах конструкцій, для яких ресурс та легке проєктування є критичними. Класичні детерміновані методи оцінювання росту втомних тріщин є часто досить дорогими і вимагають добре обладнаної лабораторії для проведення експериментів. На противагу ним, за останні десятиліття методи машинного навчання стали широко поширеними завдяки їх властивості виявляти неочевидні залежності на основі даних. Машинне навчання є частиною штучного інтелекту. Воно навчається на існуючих даних і удосконалюється з часом без потреби явного програмування. Експериментальний набір даних взято з відкритих наукових джерел. Він містив дані швидкості росту втомної тріщини для чотирьох асиметрій циклу навантаження: 0,1; 0,3; 0,5; і 0,7. Вхідні дані складалися з наступних ознак: розмах коефіцієнта інтенсивності напружень K (МПа√м), швидкість росту втомної трішини da/dN та коефіцієнт асиметрії циклу навантаження R. За вихідну змінну вибрано da/dN, а дві інші слугували в якості вхідних змінних моделі машинного навчання. Модель тренували тільки на даних за коефіцієнтом асиметрії циклу навантаження R, який дорівнював 0,1; 0,3;та 0,7. Модель перевіряли на даних швидкості росту втомної тріщини з коефіцієнтом асиметрії циклу навантаження R, котрий дорівнював 0,5. Побудовано модель у вигляді багатошарового персептрона. Модель містила два прихованих шари з кількістю нейронів 100 та 80, відповідно. Функція активації була RELU. В якості оптимізатора обрано Adam, а параметр максимум ітерації дорівнював 500. Помилки моделі були наступними: MSE = 1.238e-10, MAE = 8.594e-06, R² = 0.95346. З отриманих результатів, можна побачити, що нейронна мережа забезпечує досить точні результати прогнозування і може розв’язувати задачі такого типу.

This study focuses on modeling the fatigue crack growth rate of QSTE340TM steel using a neural network. This material is a thermomechanically rolled high-strength, low-alloy steel with a yield strength of at least 340 MPa, offering a combination of strength, weldability, and excellent cold-forming properties. It’s a go-to material for automotive and structural applications where durability and lightweight design are critical. The classical deterministic methods for assessing fatigue crack growth rates are often quite expensive and require a well-equipped testing facility. In contrast, in recent decades, the methods of machine learning have become widespread thanks to their ability to discover previously unobvious data - driven dependencies. Machine learning is a part of artificial intelligence. It is trained on existing data and improves over time without requiring explicit programming. The experimental dataset was taken from open scientific sources. It contained the fatigue crack growth rate data for four stress ratios of 0.1, 0.3, 0.5, and 0.7. The input data comprised of the following features: stress intensity factor range K (MPa√m), fatigue crack growth rate da/dN, and stress ratio R. The target feature was da/dN, and the two rest were treated as input features. The model was shown only the data with stress ratio R that was equal to 0.1, 0.3, and 0.7. The model was tested on fatigue crack growth rate data with a stress ratio (R) of 0.5. The neural network model in the form on multilayer perceptron was built. The model consisted of two hidden layers, each with 100 and 80 neurons, respectively. The activation function was RELU. The solver was chosen as Adam, and maximum iterations parameter was 500. The modelʼs errors were as follows: MSE = 1.238e-10, MAE = 8.594e-06, and R² = 0.95346. From the obtained results, neural network gives quite accurate prediction results and can solve such kinds of problems.