在使用机器学习的方法对 25CrMo4 合金进行疲劳寿命预测时,特征变量对疲劳寿命的决策行为一直是关注的重点.基于此,以 89 组 25CrMo4合金高周循环对称疲劳试验样本作为研究对象,使用XGBoost算法预测其疲劳寿命,再使用LIME(Local Interpretable Model-agnostic Explanations)及其改进方法(ElasticNet-LIME)分析各特征变量在不同数值范围内对疲劳寿命的正负增益.结果表明,经过微喷丸强化后 25CrMo4 合金表面残余应力减小,表面粗糙度增大,疲劳寿命增大,ElasticNet-LIME对此判断比LIME更为合理.研究结果可为 25CrMo4合金疲劳性能优化提供依据.
NETL
NSTL
万方数据
