近日，我校机械工程学院教师米承继科研团队在面向航空航天领域的关键材料TC4钛合金，提出了一种结合红外热像法与深度学习技术的疲劳裂纹扩展行为智能监测方法，通过构建多任务协同的深度学习框架，实现了标准CT试样和非对称CT试样裂纹扩展路径精准预测；利用裂纹闭合效应考虑裂纹扩展速率的应力比依赖性，构建了基于有效能量耗散速率的裂纹扩展速率统一模型。其研究成果“Quantitative thermographic estimation of fatigue crack propagation behavior for TC4 titanium alloy based on deep learning algorithm”在国际疲劳类杂志《Theoretical and Applied Fracture Mechanics》 (中科院一区，DOI: 10.1016/j.tafmec.2025.1051)。
该研究利用红外热成像采集循环载荷作用下CT试样表面疲劳裂纹尖端的温度场演化数据，并利用U-Net模型对裂纹尖端塑性区进行精确分割。基于双层LSTM神经网络框架，实现了TC4钛合金疲劳裂纹扩展路径的动态评估，预测结果与实际裂纹扩展路径接近，确定了疲劳裂纹扩展速率与能量耗散率之间的线性关系。塑性区的总能量耗散率随应力强度范围呈指数增长，验证了循环塑性区热力学响应与裂纹扩展行为的关联关系。实验结果表明，裂纹的扩展速率与应力比有关。为了提高该方法的泛化能力，提出了考虑应力比时的有效能量耗散率，并通过裂纹闭合效应进行了分析，建立一个与应力比无关的裂纹扩展速率与能量耗散率的统一模型，利用该模型预测的TC4钛合金裂纹扩展速率与应力比无关，与传统COD试验结果吻合较好。
（一审：舒杨 二审：徐杰 尹荔玮 三审：邓志强）
