金属材料疲劳性能精准预判新方案

近日，西南交通大学力学与航空航天学院教授康国政团队在《固体力学与物理》发表重要研究成果。该研究创新性地构建了基于大语言模型的钢材跨时空尺度疲劳寿命预测框架，为金属材料疲劳性能精准预判提供了全新智能化方案。

航空航天、轨道交通、核电等领域的金属结构材料，疲劳失效呈跨尺度演化特征，直接决定装备服役安全性。传统预测模型难以兼顾微观损伤机理，多尺度仿真方法则计算成本高昂、无法完整还原疲劳失效过程。针对上述缺陷，本研究利用人工智能的跨尺度整合与非线性建模能力，有效突破了传统技术瓶颈。

研究核心创新为搭建“大语言模型+图注意力模型+分层深度学习模型”的三级跨尺度机器学习框架，创新性融合材料结构化参数与非结构化机理文本数据。研究首先针对纳观、微观、细观三大尺度，分别构建BERT预训练模型，从海量文献语料与仿真文本中挖掘物理机理信息，生成标准化机理描述符；再通过图注意力模型解析多尺度信息交互规律，精准预测钢材弹性模量、屈服强度、抗拉强度三大核心力学性能；最终以基础力学性能为输入，借助分层深度学习模型，完成均质钢与梯度结构钢的疲劳寿命预测。

机理分析揭示了跨尺度关联核心规律：微观离散位错动力学尺度是衔接纳观分子动力学尺度与细观晶体塑性尺度的核心枢纽，位错的产生、演化与相互作用是贯穿多尺度性能传递的核心主线。同时研究明确了不同力学性能的关键影响因素，实现了人工智能预测结果的物理可解释，解决了传统AI模型“黑箱”难题。

疲劳寿命测试结果表现优异：均质钢低周、高周、超高周疲劳寿命预测结果，分别落在1.5倍、2倍、3倍误差带内，预测偏差变化与材料损伤物理机制高度匹配。针对轨道交通S38C梯度结构车轴钢，研究优化多层分层输入模型以适配其深度方向性能梯度特征，单层试样高周疲劳预测结果处于1.5倍误差带，未参与训练的多层试样预测结果也仅2倍误差带，充分验证了模型的高预测精度与良好泛化能力。