DeepOFormer: Deep Operator Learning with Domain-informed Features for Fatigue Life Prediction

要約

疲労寿命は、特定の環境条件下で故障前に材料が機能する可能性がある期間を特徴づけ、伝統的にストレスライフ（S-N）曲線を使用して評価されています。
機械学習とディープラーニングは、疲労寿命予測の有望な結果を提供しますが、特定の材料の疲労実験データのサイズが少ないため、過度の課題に直面しています。
この課題に対処するために、S-N曲線予測をオペレーターの学習問題として策定することにより、Deepoformerを提案します。
DeepoFormerは、トランスベースのエンコーダーと平均L2相対誤差損失関数を使用して、ディープオペレーター学習フレームワークを改善します。
また、Stussi、Weibull、およびPascual and Meeker（PM）の機能をドメインに基づいた機能と考えています。
これらの機能は、経験的疲労モデルによって動機付けられています。
Deepoformerのパフォーマンスを評価するために、54 S-N曲線のアルミニウム合金を使用して、さまざまなディープラーニングモデルとXgboostをデータセットで比較します。
テスト用に選択された7つの異なるアルミニウム合金を使用すると、Deepoforderは0.9515のR2、0.2080の平均絶対誤差、0.5077の平均相対誤差を達成し、DeepOnet、TabTransformer、Xgboostなどを含む最先端のディープ/マシン学習方法を大幅に上回り、Deep0-Formersを使用することを実施します。
アルミニウム合金の疲労寿命予測の一般化能力。

要約(オリジナル)

Fatigue life characterizes the duration a material can function before failure under specific environmental conditions, and is traditionally assessed using stress-life (S-N) curves. While machine learning and deep learning offer promising results for fatigue life prediction, they face the overfitting challenge because of the small size of fatigue experimental data in specific materials. To address this challenge, we propose, DeepOFormer, by formulating S-N curve prediction as an operator learning problem. DeepOFormer improves the deep operator learning framework with a transformer-based encoder and a mean L2 relative error loss function. We also consider Stussi, Weibull, and Pascual and Meeker (PM) features as domain-informed features. These features are motivated by empirical fatigue models. To evaluate the performance of our DeepOFormer, we compare it with different deep learning models and XGBoost on a dataset with 54 S-N curves of aluminum alloys. With seven different aluminum alloys selected for testing, our DeepOFormer achieves an R2 of 0.9515, a mean absolute error of 0.2080, and a mean relative error of 0.5077, significantly outperforming state-of-the-art deep/machine learning methods including DeepONet, TabTransformer, and XGBoost, etc. The results highlight that our Deep0Former integrating with domain-informed features substantially improves prediction accuracy and generalization capabilities for fatigue life prediction in aluminum alloys.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google