常见的金属材料高温疲劳-蠕变寿命估算方法（二）

      神经网络(ANN)方法是近几年发展起来的高级非线性分析工具，它能够充分逼近任意复杂的非线性关系。神经网络的最突出优点是能够在不确定的系统和变量关系中找到解。现在有许多学者将神经网络的方法应用于材料的疲劳-蠕变寿命预测，例如：Venkatech等人提出利用反向传播神经网络的方法来预测材料在(0.7~0.8)熔点下的疲劳-蠕变寿命；Srinivasan等利用神经网络的方法来预测316L(N)不锈钢在疲劳-蠕变交互作用下的寿命。Wang, N等在2013年提出构建了一种新型溯网络（abductive network）用于蠕变断裂寿命预测，该网络是四层结构体系，精确预测了9-12％的铬的铁素体钢的蠕变断裂寿命。结果表明，该方法比拉森-米勒参数法更准确，比BP神经网络更有效。

      以上已有的疲劳-蠕变交互作用寿命预测模型大都需要大量的不同类型的试验数据，或者是针对应变控制模式下的疲劳-蠕变交互作用，应用起来十分不便，且不能适用于应力控制的情况。Jiang等从反映物系运动的能量守恒定律和动量守恒定律出发，推导出一个新的疲劳-蠕变交互作用寿命预测模型，力求有较好的理论基础和简单的模型表达式，并且能适用于应力控制的疲劳-蠕变交互作用。表达式为：

     用上式进行疲劳-蠕变交互作用的寿命预测，物理意义明确，对于应变控制和应力控制模式下的疲劳-蠕变交互作用寿命预测都能适用，所需要的试验参数获取容易且数目较少。为检验该模型的准确性，Jiang等进行了1.25Cr0.5Mo钢光滑试样540℃和520℃环境下应力控制的梯形波加载试验，用该模型进行了上述两种温度环境下的疲劳-蠕变交互作用的寿命预测，预测结果与实际结果比较符合。

       Zhao提出基于Z参数的服役条件-持久强度干涉模型(service condition-creep rupture property interference model, SCRI模型)用于高温材料持久寿命的可靠性预测。利用Z参数方法，高温材料持久强度的分散性服从正态分布，而服役温度和应力波动造成的服役条件的分布可以用Monte Carlo方法模拟获得，从而实现在考虑性能数据分散性以及服役条件波动性的情况下材料持久寿命的可靠性分析。

      Liu,H等提出基于动力过程的蠕变断裂数据外推的模型。该模型描述了应力与断裂时间的关系，表达式参数较少，推算过程相对简单而且推算值与实验测试结果密切一致。表达式为：

      其中：C为拉森-米勒常数；Q是蠕变过程的活化能，R是Boltzmann的常数。此外，该模型增强了长期蠕变寿命预测严谨性。根据2.25Cr1.0Mo钢和Ti-Al金属化合物的测试数据比较，这种评估方法相对于传统的拉森-米勒参数（LMP）方法更准确。

      本文综述了近几十年来疲劳-蠕变寿命估算方法的研究成果。其中，线性累积损伤的修正公式考虑了疲劳和蠕变的交互作用，有效地提高了计算精度；损伤力学和断裂力学的寿命预测方法具有比较成熟的理论基础，能具体解决复杂及有缺陷构件的寿命预测问题。

      频率修正法、频率分离法以及应变范围划分法的预测结果比较理想，而应变能划分法和应变能频率修正法的预测结果精度较差。

      多元统计方法和神经网络方法是进行疲劳-蠕变寿命估算的新方法。其中，多元统计方法中提到的3类材料可以直接应用基本计算公式进行寿命预测；神经网络方法主要用于解决复杂的或未知的寿命预测问题。