买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学院金属研究所申请的专利一种机器学习超小样本结构疲劳寿命的预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119830719B 。

龙图腾网通过国家知识产权局官网在2025-10-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411858890.X，技术领域涉及：G06F30/27；该发明授权一种机器学习超小样本结构疲劳寿命的预测方法是由白鑫设计研发完成，并于2024-12-17向国家知识产权局提交的专利申请。

本一种机器学习超小样本结构疲劳寿命的预测方法在说明书摘要公布了：本发明公开了一种机器学习超小样本结构疲劳寿命的预测方法，属于材料科学与工程应用技术领域。该技术基于极少量的样品疲劳寿命试验数据，发展了高精度的疲劳寿命智能预测技术。首先，采用等效疲劳寿命模型，将测定的疲劳寿命试验数据扩增到大量的混合疲劳寿命数据；然后，通过随机森林回归、梯度增强回归、分布式梯度增强回归、人工神经网络回归的共四种常用的机器学习回归方法，分别针对混合数据进行训练，并根据测试结果择优回归方法；进而，获得疲劳寿命预测的最优机器学习模型。该技术解决了极少量疲劳试验数据无法获得多变量疲劳寿命预测模型的问题。新技术具有精度高、应用简单的优点，可广泛应用于不同金属材料疲劳性能的预测。

本发明授权一种机器学习超小样本结构疲劳寿命的预测方法在权利要求书中公布了：1.一种基于机器学习超小样本结构疲劳寿命的预测方法，其特征在于，该方法包括如下步骤： 1疲劳寿命试验：针对若干疲劳试验样品进行疲劳寿命测试；测试时选取3级以上应力水平，每级应力水平测试至少1个样品；其中：Si是指第i级测试应力水平，i＝1,2,…,n，n为测试应力水平总量，n≥3；测试样品疲劳寿命后获得疲劳失效机制相同的3组以上试验疲劳寿命，记为Ni,j，Ni,j为第j个样品在第i级应力水平下的疲劳寿命，j为样品次序，j＝1,2,…,q，q为疲劳寿命试验数据总量即样品总量，且q≥7； 2疲劳寿命试验数据准备：检查经步骤1测试后疲劳失效样品的断口，并统计疲劳断口裂纹源处缺陷的尺寸aj和缺陷的位置lj，这样，对于每一个测试样品，以获得一组疲劳寿命试验数据Si,aj,lj,Ni,j； 3混合数据生成：根据等效疲劳寿命模型，将步骤2获得的每组疲劳寿命试验数据转换到其他应力水平下，从而使每个样品的试验疲劳寿命值Ni,j可以计算出多个等效疲劳寿命N`k,j，从而在原有的试验数据Si,aj,lj,Ni,j基础上新增等效寿命数据Sk,aj,lj,N`k,j，进而形成了混合数据Si,aj,lj,Ni,j,Sk,N`k,j；若将所有混合数据列表，则可以得到数据Sy,ay,ly,Ny，y＝1,2,…,z，Sy＝Si或Sk，ay＝aj，ly＝lk，Ny＝Ni,j或Ny＝N`k,j，z为混合疲劳寿命数据的总数，Sk为第i级测试应力水平转换到的第k级应力水平； 4数据归一化：将数据Sy,ay,ly，lgNy分别归一化为标准正态分布的随机数； 5数据随机分割：将数据归一化后的混合数据随机划分为两个部分，包括训练集和测试集； 6机器学习回归：将步骤5训练集和测试集中的数据选择多种机器学习模型进行处理；所述机器学习模型包括随机森林回归、梯度增强回归、分布式梯度增强回归的树类集成方法以及人工神经网络回归； 7机器学习模型择优：选择具有最大测试集的决定系数且结构简单的机器学习模型为最优模型；其中，对于结构简单的树类集成方法，树的最大深度d在规定范围内最小且树的个数t在规定范围内最小；对于结构简单的人工神经网络，隐藏层的数量v在规定范围内最小且各隐藏层的神经元数量u在规定范围内最小； 8疲劳寿命预测：对于任一组数据S,a,l，基于步骤4中混合数据Sy,ay,ly,lgNy的平均值μx与标准差σx，分别将数据S,a,l归一化为符合标准正态分布的数值，再代入步骤7得到的最优模型，进而计算出结果XlgN，然后将其代入疲劳寿命预测公式，计算出疲劳寿命预测值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学院金属研究所，其通讯地址为：110016 辽宁省沈阳市沈河区文化路72号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。