Active Learning-Driven Surrogate Modeling for Fatigue LifePrediction of LPBF Hastelloy-X Using Defect-Informed FiniteElement Analysis
Diese Arbeit präsentiert ein hybrides Framework, das defektinformierte Finite-Elemente-Analyse mit einem durch aktives Lernen gesteuerten Gauß-Prozess-Surrogatmodell integriert, um die Ermüdungslebensdauer von LPBF-Hastelloy-X unter verschiedenen Bedingungen präzise und effizient vorherzusagen, wobei eine hohe Wiedergabetreue mit einer Reduktion des experimentellen Datenbedarfs von über 95 % erreicht wird.