疲劳失效对运行结构的可靠性和安全性构成了重大威胁。理解疲劳失效的力学机制对于材料和结构的有效设计、优化和利用至关重要。这方面的研究通常是通过试验测试或数值模拟来进行的。与试验测试相比，数值模拟具有降低对环境条件和试件变异性的敏感性、成本较低和易于实施等优点。然而，疲劳失效过程导致的不连续问题以及数值求解效率低的问题导致其力学机制没有被很好的揭示。目前，如何对结构疲劳寿命进行高效准确的预测是一个十分有挑战性的难题。

近年来，因为深度学习算法与数值计算方法的结合可以整合两类方法的优势，受到了极大的关注。以往的研究通过训练神经网络来学习材料的疲劳寿命特征，开发了各种数据驱动的模型用于疲劳寿命预测。然而，这些基于数据驱动的模型目前无法预测疲劳裂纹模式本身，这在一定程度上限制了其在实际场景中的适用性。鉴于近场动力学在不连续问题中的优势，近场动力学与深度学习算法的结合为疲劳分析提供了一种很有前途的方法。因此，一些相关模型被提出，如PD-PINN、PD-INN、PDDO-PINN等，展示了该领域的潜力和意义。然而，这些模型主要关注变形而不是材料的损伤和失效，特别是关于疲劳失效和寿命预测。

团队创新地融合了近场动力学（Peridynamic, PD）理论与门控循环单元（Gated Recurrent Unit, GRU）神经网络，建立了高效精准的PD-GRU疲劳损伤预测模型。PD-GRU模型基于近场动力学处理不连续问题的优势，有效突破了现有深度学习数据驱动模型难以预测疲劳裂纹扩展的局限性。在模型训练中，PD-GRU模型避免了过拟合问题，其疲劳裂纹扩展和疲劳寿命的预测结果与近场动力学模拟结果高度一致，充分验证了PD-GRU模型在疲劳分析问题中的有效性和可靠性。此外，PD-GRU模型显著解决了近场动力学疲劳分析中的计算效率问题。与需要数小时才能完成计算过程的经典近场动力学模拟不同，PD-GRU模型在不到两分钟的时间内就能实现预测，极大地提高了计算效率。

图：PD - GRU示意图

图：PD - GRU的神经网络建模 

本研究由河海大学计算力学与工程安全研究团队与火箭军工程大学于传强教授团队共同合作，将计算力学与工程安全研究团队优势特色方向近场动力学与机器学习手段相结合，为全面深入研究疲劳失效机理提供了一个新颖的视角。相关成果于2024年11月发表在计算力学顶级期刊《Computer Methods in Applied Mechanics and Engineering》上。本团队学术带头人黄丹教授为论文通讯作者，本团队毕业博士生出站博士后、现南京工业大学副教授武立伟与本团队毕业硕士生、江苏省优秀硕士论文获得者、现火箭军工程大学讲师王涵为论文共同第一作者。论文的其他重要合作作者包括火箭军工程大学郭君斌副教授和王俊提讲师。本研究得到了国家自然科学基金项目（No. 12202136, 12072104）和火箭军工程大学青年基金项目（No. 2023QN-S003）的资助。

《Computer Methods in Applied Mechanics and Engineering》主要发表关于计算力学、数值模拟和工程应用方面的原创研究和应用文章，涵盖了从基础理论到工程实践的多个方面，在计算力学领域具有非常高的学术影响力和权威性，是计算力学领域的顶级期刊之一。在中科院最新分区表中，该刊分区为工程技术类1区，最新影响因子为6.9。

撰稿：陆映如

审核：蔡壮