Multiphysics S-N-P Fatigue Curves by Mechanistic Method Integration: Stochastic Tanaka-Mura, Klesnil-Priddle, El Haddad and Coffin-Manson, calibrated and validated against 44 published points of seven structural materials
本文提出了一种经过验证的随机数值模型，该模型整合了四种机理疲劳方法，并针对七种结构材料的 44 个实验点进行了校准，旨在仅通过静态特性即可生成综合的 S-N-P 曲线，从而实现在无需额外测试的情况下，准确预测复杂环境和载荷条件下的疲劳寿命。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
从汽车中的齿轮到飞机的机翼，机器中的每一个金属部件都面临着一个无声且隐形的敌人：疲劳。即使一块钢材足够坚固，能够承受重载而不折断，在重复这种负荷成千上万次或数百万次后，最终也会导致其产生裂纹并失效。长期以来，工程师一直依赖于将材料所能承受的应力与在断裂前承受应力的次数进行映射的图表。这些图表对于安全性至关重要，但创建它们是一个缓慢且昂贵的过程。为了建立一个针对新材料的可靠图表，研究人员必须测试数十个相同的样本，将它们推向极限直到其断裂，这一过程可能耗时数年并花费巨资。如果设计师需要了解一个部件在潮湿的海洋环境中或在特定的振动模式下会如何表现，他们通常必须针对每种条件运行全新的、独立的测试。
巴西里约格兰德北方联邦大学的研究员卢卡斯·利马·弗赖塔格（Lucas Lima Freitag）开发了一种预测这种疲劳寿命的新方法，而无需进行每一次实际测试。他没有依赖于往往会失准的单一公式，而是构建了一个结合了关于裂纹如何产生和扩展的四种不同物理理论的数字模型。该模型模拟了金属内部的微观世界，考虑了构成材料的晶粒的随机尺寸以及作为裂纹起点微小缺陷。随后，它将这些微观事件与金属在拉伸和弯曲时的宏观尺度行为相结合。通过向模型输入易于测量的基本材料属性——例如硬度和强度——该系统可以生成关于材料在各种条件下能维持多久的完整预测。
研究人员使用来自七种不同结构材料（包括高强度钢、飞机使用的铝合金以及航空航天使用的钛）的真实世界数据对这种数字方法进行了测试。该模型利用一小组现有数据点进行校准，然后被要求预测科学文献中发表的四十四个特定场景的疲劳寿命。结果令人震惊：模型的预测结果全部落在实验偏差的预期范围内，涵盖了所有四十四个数据点。相比之下，依赖于更简单、更陈旧公式的传统方法则显著偏离了目标，预测的寿命要么过短，要么过长。这种新方法能够捕捉到现实世界结果的自然离散性，这意味着它不仅可以预测平均寿命，还可以预测可能的范围，就像真实的物理测试一样。
这项工作的特别强大之处在于，它能够模拟实验室中难以或无法测试的条件。该模型可以调整其预测，以考虑盐水、高湿度、极端温度甚至可能加速裂纹产生的磁场的影响。它还可以计算零件在复杂、随机的振动下的表现，例如车辆行驶在崎岖道路上的情况，而不仅仅是简单的、稳定的往复运动。例如，在模拟结合了热量、盐分和水分性的严酷环境时，模型显示高强度钢会损失约 21% 的预期寿命，而镍基合金则几乎不受影响。这种运行“假设”场景的能力，使工程师能够在无需等待数年物理测试的情况下，对比材料并为特定的恶劣环境设计部件。
该研究并不声称要完全取代物理测试，尤其是在最终认证阶段，但它为设计的早期阶段提供了一个高度精确的工具。研究人员发现，虽然该模型在大多数条件下表现良好，但在材料处于中等应力时最为精确。在接近材料的耐久极限处——即“持久存在”与“失效”之间的界限极其微小的边缘地带——预测会变得更加不确定，这反映了预测罕见事件的自然难度。然而，通过整合裂纹如何产生、如何生长以及如何停止的物理机制，该模型比以往的方法提供了更清晰的材料行为图景。它将曾经需要大量物理资源的过程转变为可以快速完成的计算练习，从而在从汽车到航空航天等各类行业中实现更安全、更高效的设计。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。