由于核电构件在实际服役过程中无法拆卸，因此，如何能够对在役构件服役过程中的可靠性进行快速、无损评价是一个非常重要且迫切需要解决的问题。本世纪初，为了解决核电部件长期服役可靠性评价面临的材料取样尺寸受限问题，来自日本和德国等多个机构和大学的研究者试图建立小微样件测试标准，并进行了大量的实验和理论尝试。目前，相对于成熟的ASTM测试标准，小微样件测试标准的制定和相关基础理论研究尚面临诸多挑战。 

　　针对小微样件评价结构部件疲劳可靠性尚未形成统一认识的问题，尤其是如何确定最优的小微试样评价尺寸的问题，课题组博士生杨文科对核电用不同几何尺寸（标距段长度、宽度和厚度）A588低合金钢试样的疲劳性能进行了系统研究，并结合机器学习方法，利用最优算法对试样几何尺寸相关的疲劳寿命进行了预测。实验结果表明，在所研究的试样几何尺度范围内，相比试样厚度，试样的标距段长度和宽度对疲劳寿命的影响更大。这主要是由于当标距段长度和宽度发生变化时，试样标距段区域与过渡弧区域的Mises应力分布变化更显著。机器学习结果同样表明，试样几何尺寸变化引起的疲劳寿命的变化主要与试样的标距段长度和宽度有关，而厚度对疲劳寿命的影响较小。最后，采用最优算法对1毫米厚小试样的疲劳寿命进行了预测，证明机器学习方法的预测结果与实验所测的数据接近。本研究结果对于小微试样尺寸设计的标准化及基于小微试样快速评价在役核电部件疲劳可靠性具有重要的理论指导意义。 

　　上述研究结果近期发表在International Journal of Fatigue 172 (2023) 107671. doi.org/10.1016/j.ijfatigue.2023.107671. 

不同几何尺寸试样疲劳寿命对比

基于机器学习算法的疲劳寿命外推