|
Muránsky O, Tran M N, Payten W. On the application of PINN-style physics-regularised neural networks to high-temperature creep rupture life prediction[J]. International Journal of Pressure Vessels and Piping, 2026, 219: 105691.
Muránsky, O., et al. “On the application of PINN-style physics-regularised neural networks to high-temperature creep rupture life prediction,” International Journal of Pressure Vessels and Piping 219 (2026): 105691. (): .
Muránsky, O., Tran, M. N., & Payten, W. (2026). On the application of PINN-style physics-regularised neural networks to high-temperature creep rupture life prediction. International Journal of Pressure Vessels and Piping, 219, 105691., .
背景简介
在高温服役环境下，诸如电站锅炉和压力容器中的关键构件往往长期承受应力与温度的共同作用，其材料会逐渐发生蠕变损伤。其中，2.25Cr-1Mo（Grade 22）钢是电力与能源装备中广泛使用的一类耐热钢，其长期蠕变寿命评估直接关系到设备的安全运行与寿命管理。然而，一个长期存在的难题是：真实的长期蠕变试验往往需要数万小时甚至更长时间，获取完整寿命数据成本高昂且周期极长。因此，如何利用有限的短期试验数据可靠预测材料的长期蠕变寿命，一直是材料工程与结构完整性评估领域的重要研究方向。传统方法通常依赖基于物理机制的半经验模型，例如应力修正延性耗竭（Stress-Modified Ductility Exhaustion , SMDE）模型。这类方法具有一定的物理可解释性，但在复杂条件下的预测精度仍存在局限。随着人工智能的发展，神经网络等数据驱动方法也逐渐被用于材料寿命预测。然而，这类模型往往依赖大量数据训练，在数据稀缺的工程场景中容易出现过拟合与外推能力不足的问题。近年来，物理信息神经网络（Physics-Informed Neural Networks, PINNs）为解决这一矛盾提供了新的思路。该方法通过在神经网络训练过程中引入物理规律约束，使模型在学习数据特征的同时遵循已知的物理机制，从而提升模型在数据不足情况下的泛化能力。
成果介绍
（1）本研究以工程中广泛使用的耐热钢2.25Cr-1Mo（Grade 22）钢为研究对象，构建了包含773组蠕变试验数据的数据集。图1中展示了不同应力和温度条件下的试验数据分布，数据覆盖的蠕变断裂时间范围从约100小时延伸至超过10万小时。本研究将这些数据分为短期数据（小于10000小时）和长期数据（大于10000小时），其中短期数据用于模型训练，而长期数据则被完全保留，用于检验模型的外推预测能力。这种数据划分模拟了实际工程应用情境，即在仅获得短期试验数据的情况下，对材料长期服役寿命进行预测。
.png)
图1. 2.25Cr-1Mo（Grade 22）钢的试验蠕变断裂数据集概览：（a）施加应力与测得蠕变失效时间关系；（b）平均测得蠕变应变率与测得蠕变失效时间关系；（c）SMDE与PINN-style模型数据集划分示意图
（2）研究提出了一种PINN-style物理正则化神经网络框架。该方法借鉴物理信息神经网络（Physics-Informed Neural Networks, PINNs）的思想，在神经网络训练过程中同时考虑两类信息：一是试验数据误差（data loss），二是与物理模型预测之间的偏差（physics loss）。通过构建双损失函数（dual-loss function），模型在学习试验数据规律的同时，通过物理约束保持与既有蠕变损伤机理的一致性。在模型训练过程中，研究系统探索了不同的物理约束权重对预测性能的影响，从完全数据驱动到完全物理约束形成一系列PINN-style模型，如图2所示。结果表明，当模型完全由数据驱动时，虽然在训练范围内具有较高精度，但在长期数据上的预测误差显著增加，表现出明显的过拟合特征。而当模型完全依赖物理模型时，预测结果较为稳定，但精度提升有限。
.png)
图2 不同物理-数据权重条件下各PINN-style模型配置的预测性能比较：(a) 训练集、开发集、测试集和保留集上的平均绝对百分比误差（MAPE）值；(b) 对应MAPE值的表格展示，包含测试集与训练集的差异；(c) 对数-对数空间中理想1:1直线偏离量（Δi）的高斯分布拟合均值（μ）；(d) 对应方差（σ2）
（3）通过对不同权重组合的系统评估，研究发现当物理权重约为0.70–0.75时，模型表现最佳。在这一配置下，模型不仅在短期数据上保持良好的拟合能力，同时在未参与训练的长期数据上也表现出稳定的预测性能。结果显示，该PINN-style模型在长期寿命预测中的平均误差低于传统SMDE模型，并显著优于纯神经网络模型，证明了物理约束对提升模型泛化能力的重要作用。研究首次将PINN-style双损失框架应用于蠕变断裂寿命预测问题，实现了在仅有短期试验数据的情况下对长期寿命进行可靠预测。研究结果表明，将物理机制模型与机器学习深度融合，可以有效提高模型在数据稀缺条件下的稳定性和外推能力，为高温结构材料寿命评估、设备延寿决策以及新材料研发提供了新的研究思路。
.png)
图3 基于短期数据性能识别出的两种最优PINN-style模型配置的预测与实测蠕变失效时间对比：(a) 物理权重0.70（数据权重0.30）的模型；(b) 物理权重0.75（数据权重0.25）的模型
致谢
本研究得到澳大利亚核科学与技术组织（ANSTO，Australian Nuclear Science and Technology Organisation）的支持。本文第一作者兼通讯作者：Ondrej Muránsky。
本期小编 本期小编：刘昊东（整理）
董乃健 （校对）
程航 （审核）
董乃健 （发布）
|