近日，昆明理工大学建筑工程学院郭然/杨素淞课题组在增材制造钛合金高周疲劳预测领域取得重要突破，相关成果以 “Physics-informed machine learning for high-cycle fatigue of AM Ti6Al4V: Life prediction and correlation analysis” 为题，发表于疲劳领域国际顶级期刊《International Journal of Fatigue》。

增材制造钛合金（如 Ti-6Al-4V）因优异性能及制备灵活性正广泛应用于高端装备，但工艺复杂导致的内部缺陷、多参数耦合效应，使其高周疲劳寿命预测难度大。传统模型或依赖大量实验数据，或难以兼顾多尺度影响因素。

郭然/杨素淞课题组提出 “神经Basquin偏微分方程约束网络” 创新框架，核心突破在于融合物理机制与机器学习，基于Basquin方程构建网络架构，保留物理合理性的同时提升非线性描述能力；将 8 项物理约束（如应力比、温度对疲劳性能的影响规律）以偏微分方程形式嵌入损失函数，引导模型训练。针对文献数据参数缺失问题，团队开发 XGBoost 填补策略，结合均值法完善 856 组高周疲劳数据，构建含 22 个输入特征（涵盖工艺、几何、热处理等）的数据集。

模型采用 “寿命输入- 应力输出” 的反向结构，解决高周疲劳极限附近模型收敛难题。研究表明，该模型仅需 922 个参数，训练集与测试集的平均绝对误差分别低至 29.6MPa、35.0MPa，决定系数（R²）均超 95%，且能量化各因素影响 —— 应力比、热处理参数、表面状态对疲劳性能影响最显著，该研究为增材制造金属材料疲劳性能预测提供新范式，助力高端装备可靠性设计。

昆明理工大学建筑工程学院杨素淞老师为论文第一作者和通讯作者，建筑工程学院2024级硕士生张振华为第二作者，昆明理工大学为论文第一通讯单位。该研究得到了云南省基础研究专项面上项目等科技项目的支持。

论文链接：https://doi.org/10.1016/j.ijfatig ue.2025.109296

（供稿：建筑工程学院）