融合物理机制的机器学习框架在小样本疲劳损伤预测中的创新应用

为解决机械结构疲劳损伤累积预测精度不足的难题，研究人员创新性地将Manson-Halford（MH）物理模型与机器学习算法相结合，开发了双回归器预测框架。该研究通过定制化损失函数确保物理一致性，在14种材料数据集上验证了模型优越性，尤其在训练数据减少30%时仍保持高精度，为小样本条件下的疲劳寿命预测提供了新范式。

　　

疲劳损伤累积(Fatigue damage accumulation)是影响机械结构安全性的关键因素，但传统方法在小样本条件下预测精度受限。这项研究开创性地构建了物理嵌入机器学习(Physics-embedded ML)框架，巧妙地将曼森-哈福德(Manson–Halford, MH)物理模型与数据驱动算法进行联姻。

该框架采用双回归器架构：一个回归器内嵌MH模型预测交互系数(interaction coefficient)，另一个纯数据驱动回归器直接预测剩余疲劳损伤。通过精心设计的损失函数，强制两个输出保持物理机制一致性。在涵盖14种材料的复合数据集测试中，该模型展现出对6种基线ML模型的全面超越。更令人振奋的是，即使训练数据削减30%，预测精度仍保持稳定，充分彰显其在数据稀缺场景下的强大鲁棒性。

这项研究通过物理机制与机器学习的和谐统一，为疲劳损伤预测领域提供了兼具普适性和高效性的新策略，其中定制化损失函数的设计思路尤其值得关注，为跨学科研究提供了示范样本。研究强调的"小样本预测优势"对实际工程应用具有重要价值，毕竟在现实场景中获取大量疲劳试验数据往往成本高昂。