| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-32页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-28页 |
| 1.2.1 传统疲劳寿命分析方法 | 第13-18页 |
| 1.2.2 网格不敏感结构应力法 | 第18-24页 |
| 1.2.3 基于人工智能技术的疲劳寿命分析方法 | 第24-28页 |
| 1.3 研究目的及意义 | 第28-29页 |
| 1.4 主要研究内容 | 第29-32页 |
| 第二章 基于粗糙集理论的焊接接头疲劳寿命影响因素评价 | 第32-49页 |
| 2.1 粗糙集理论基础 | 第32-38页 |
| 2.1.1 Pawlak粗糙集理论 | 第33-35页 |
| 2.1.2 变精度粗糙集理论 | 第35-36页 |
| 2.1.3 邻域粗糙集理论 | 第36-38页 |
| 2.1.4 经典粗糙集与邻域粗糙集对比分析 | 第38页 |
| 2.2 焊接接头疲劳数据库建立 | 第38-39页 |
| 2.3 基于邻域粗糙集的影响因素评价流程 | 第39-40页 |
| 2.4 邻域粗糙集属性约简算法 | 第40-45页 |
| 2.4.1 前向贪心算法 | 第40-41页 |
| 2.4.2 属性约简算例 | 第41-45页 |
| 2.5 焊接接头疲劳寿命影响因素评价 | 第45-48页 |
| 2.5.1 影响因素评价决策系统构建 | 第45-47页 |
| 2.5.2 属性约简及权重计算结果 | 第47页 |
| 2.5.3 影响因素评价结果分析 | 第47-48页 |
| 2.6 本章小结 | 第48-49页 |
| 第三章 基于疲劳特征域的主S-N曲线拟合 | 第49-59页 |
| 3.1 疲劳特征域 | 第49-53页 |
| 3.1.1 总体方案 | 第50-52页 |
| 3.1.2 疲劳特征域划定 | 第52-53页 |
| 3.2 S-N曲线拟合 | 第53-57页 |
| 3.2.1 三种S-N曲线表达形式 | 第53-55页 |
| 3.2.2 主S-N曲线拟合 | 第55-56页 |
| 3.2.3 基于疲劳特征域的主S-N曲线拟合 | 第56-57页 |
| 3.3 拟合优度统计结果分析 | 第57-58页 |
| 3.4 本章小结 | 第58-59页 |
| 第四章 基于疲劳特征域的疲劳寿命评定方法试验验证 | 第59-72页 |
| 4.1 焊接接头疲劳试验 | 第59-63页 |
| 4.1.1 试样及材料 | 第59-61页 |
| 4.1.2 焊接工艺 | 第61页 |
| 4.1.3 疲劳试验数据 | 第61-63页 |
| 4.2 基于主S-N曲线法的疲劳寿命评定 | 第63-68页 |
| 4.2.1 T型接头有限元模型建立 | 第63-64页 |
| 4.2.2 等效结构应力计算 | 第64-66页 |
| 4.2.3 主S-N曲线拟合及疲劳寿命评定 | 第66-68页 |
| 4.3 基于疲劳特征域的疲劳寿命评定 | 第68-71页 |
| 4.3.1 基于疲劳特征域的主S-N曲线簇拟合 | 第68-70页 |
| 4.3.2 疲劳寿命评定 | 第70-71页 |
| 4.4 本章小结 | 第71-72页 |
| 第五章 基于优化神经网络的焊接接头疲劳寿命预测 | 第72-98页 |
| 5.1 人工神经网络理论基础 | 第72-77页 |
| 5.1.1 单层感知器 | 第72-73页 |
| 5.1.2 BP神经网络 | 第73-75页 |
| 5.1.3 径向基神经网络 | 第75-77页 |
| 5.2 PSO算法 | 第77-80页 |
| 5.2.1 PSO算法的基本理论 | 第77-78页 |
| 5.2.2 PSO算法的约束优化 | 第78页 |
| 5.2.3 PSO算法程序设计流程 | 第78-80页 |
| 5.2.4 改进PSO算法 | 第80页 |
| 5.3 基于RS_RBFNN的焊接接头疲劳寿命预测 | 第80-86页 |
| 5.3.1 RS和RBFNN的集成方案 | 第81页 |
| 5.3.2 RS_RBFNN模型建立 | 第81-82页 |
| 5.3.3 判别规则和RBF网络预测模型 | 第82-85页 |
| 5.3.4 RS_RBFNN预测结果分析 | 第85-86页 |
| 5.4 基于RS_PSO_BPNN的焊接接头疲劳寿命预测 | 第86-95页 |
| 5.4.1 总体方案 | 第86-87页 |
| 5.4.2 PSO_BP算法步骤 | 第87-89页 |
| 5.4.3 RS_PSO_BPNN模型建立 | 第89-90页 |
| 5.4.4 RS_PSO_BPNN预测结果分析 | 第90-95页 |
| 5.5 两种预测模型的比较 | 第95-96页 |
| 5.6 本章小结 | 第96-98页 |
| 第六章 基于支持向量机的应力-寿命关系表征 | 第98-111页 |
| 6.1 支持向量机理论基础 | 第98-102页 |
| 6.1.1 统计学习理论 | 第98-99页 |
| 6.1.2 支持向量分类机 | 第99-100页 |
| 6.1.3 支持向量回归机 | 第100-101页 |
| 6.1.4 核函数 | 第101-102页 |
| 6.2 应力-寿命关系模型 | 第102-110页 |
| 6.2.1 总体方案 | 第102-104页 |
| 6.2.2 模型建立 | 第104页 |
| 6.2.3 预测结果分析 | 第104-110页 |
| 6.3 本章小结 | 第110-111页 |
| 第七章 总结与展望 | 第111-114页 |
| 7.1 研究总结 | 第111-112页 |
| 7.2 创新点 | 第112页 |
| 7.3 展望 | 第112-114页 |
| 攻读博士学位期间发表的学术论文 | 第114页 |
| 发明专利 | 第114-115页 |
| 攻读博士学位论文期间主持和参加项目情况 | 第115-116页 |
| 参考文献 | 第116-125页 |
| 致谢 | 第125页 |
