镁铝合金因具备高强度、重量轻以及易于加工等特性，在汽车和航空器设计领域变得越来越受欢迎。减重非常重要，因为重量降低的车辆在移动时所需的驱动力较小，从而能够节省能源、降低排放。不过，由于镁合金在受力条件下的行为特性各不相同，预测其“疲劳寿命”一直以来都是一项挑战。随着时间推移，由镁合金制成的部件可能因在使用中反复承受应力而出现微小裂纹。

目前，准确预测此类裂纹如何形成以及形成的时间仍然很困难，因为传统方法依赖于经验模型，且需要只针对不同的加载情况不断调整。因此，此种限制让镁铝合金很难用于实际工业应用，因为此类应用通常具有复杂多变的载荷情况和方向。

新模型精确预测镁铝合金的疲劳寿命（图片来源：韩国釜山国立大学）

据外媒报道，韩国釜山国立大学（Pusan National University）Taekyung Lee教授领导的一支研究团队与博士生Jinyeong Yu合作，将机器学习与基于能量的物理建模法相结合，以提升预测的准确性。相关论文发表于期刊《镁合金杂志（Journal of Magnesium Alloys）》通过采用结合了神经网络（能够分析应力和应变循环中复杂模式）以及基于能量的物理模型（提供在循环加载下有关材料行为更全面理解），该模型可应对上述挑战。

该模型基于从AZ31镁合金低周疲劳断裂试验中收集的大量滞回环数据构建而成，此类数据反映了材料在反复加载与卸载过程中所表现出的应力-应变行为特性。

Lee教授解释道：“该神经网络从此类应力循环中学习，此类循环揭示了该款金属在载荷下如何拉伸、弯曲以及恢复原状。随后，我们采用一个基于物理的模型，将神经网络与材料科学中的物理定律相结合，以预测裂纹可能形成的时间。”

该神经网络不直接预测疲劳寿命，而是预估材料在不同条件下的滞回环信息。通过重建此类滞回环，其能够更精确地评估材料在每个加载和卸载循环中的能量耗散情况，这一点直接与疲劳积累的速度有关。然后，基于物理的模型能够将此类应力循环预测转化为可靠的疲劳循环次数（即合金的疲劳寿命）。

Lee教授补充道：“因为机器学习模块能够通过持续学习此类循环数据而不断自我调整，因此该方法在面对不同的加载方向和条件时，展现出更高的灵活性，从而省去了人工调整参数的需要。”

随着此种新方法的出现，制造商们能够在处理镁合金时，大幅提升预测的可靠性，从而使其能够在高风险环境中实现更安全、更轻且更具成本效益的设计。该模型为镁铝合金的疲劳寿命预测提供了一种更为简化且精确的方法，有望在实际应用中增强关键组件的安全性和延长其使用寿命。