科研之友
微信
新浪微博
Facebook
分享链接
摘要
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。
- 出版日期2023
- 单位东北林业大学
