物理-数据融合驱动的天然橡胶疲劳寿命预测建模方法

doi:10.3901/JME.2025.13.293

机械工程学报 ›› 2025, Vol. 61 ›› Issue (13): 293-301.doi: 10.3901/JME.2025.13.293

扫码分享

物理-数据融合驱动的天然橡胶疲劳寿命预测建模方法

刘湘楠¹, 杨宇鑫¹, 石伟^2,3, 何宽芳⁴

1. 湖南科技大学机电工程学院湘潭 411201;
2. 诺博橡胶制品有限公司保定 071000;
3. 河北省汽车减震与密封橡胶产品技术创新中心保定 071000;
4. 佛山大学机电工程与自动化学院佛山 528225

收稿日期:2024-07-10 修回日期:2025-01-10 出版日期:2025-07-05 发布日期:2025-08-09
作者简介:刘湘楠，男，1992年出生，博士，副教授。主要研究方向为动力机械装备振动响应与强度分析、机械结构疲劳寿命预测、动力机械装备耐久性评估。E-mail：lxn920613@hnust.edu.cn
基金资助:
国家自然科学基金资助项目(52405151)。

Physically-data-driven Modeling Method for Fatigue Life Prediction of Natural Rubber

LIU Xiangnan¹, YANG Yuxin¹, SHI Wei^2,3, HE Kuanfang⁴

1. School of Mechanical and Electrical Engineering, Hunan University of Science and Technology, Xiangtan 411201;
2. Nobo Rubber Products Co., Ltd., Baoding 071000;
3. Hebei Automotive Rubber AVS & Sealing Tech Center, Baoding 071000;
4. School of Mechanical Engineering and Automation, Foshan University, Foshan 528225

Received:2024-07-10 Revised:2025-01-10 Online:2025-07-05 Published:2025-08-09

摘要/Abstract

摘要： 在现有的天然橡胶疲劳寿命预测模型中，物理模型存在建模复杂、适用范围窄等问题，而数据驱动模型始终受限于小样本工况，导致疲劳寿命预测精度低。为解决上述问题，融合物理建模方法的理论优势和数据驱动方法的高效性，提出了一种物理-数据融合驱动的天然橡胶疲劳寿命预测建模方法。该模型以对数应变幅值、应变比为输入变量，以实测疲劳寿命与物理模型预测寿命之间的相对误差值为输出变量。根据天然橡胶单轴疲劳试验数据，分别建立了基于裂纹萌生法的天然橡胶疲劳寿命预测物理模型、基于支持向量机的数据驱动模型以及物理-数据融合驱动模型。以天然橡胶实测疲劳寿命为基准，比较了三种模型的预测精度。研究发现，相较于现有的疲劳寿命预测模型，物理-数据融合驱动模型在预测精度方面表现更佳，预测寿命均分布在实测寿命的1.5倍分散线内。研究结果表明：利用物理-数据融合驱动模型能够更精准地预测天然橡胶的疲劳寿命，从而为天然橡胶结构件的抗疲劳设计提供理论依据。

关键词: 天然橡胶, 疲劳寿命, 单轴疲劳, 物理模型, 数据驱动

Abstract: Among the existing fatigue life prediction models for natural rubber (NR), the physical models face challenges such as complex modeling and a narrow scope of application, whereas data-driven models are often constrained by small sample sizes, resulting in low prediction accuracy for fatigue life. To address these issues, a physically-data-driven modeling method for predicting the fatigue life of NR is proposed. The model uses logarithmic strain amplitude and strain ratio as input variables, and the errors between the experimentally measured fatigue life and the life predicted by the physical model as the output variable. Based on uniaxial fatigue test data of NR, a physical model for fatigue life prediction based on the crack initiation method, a data-driven model using support vector machines, and a physically-data-driven model are developed, respectively. By comparing the prediction accuracy of these models against the measured fatigue life of natural rubber, it is found that the physically-data-driven model demonstrated superior prediction accuracy, with predicted lives distributed within 1.5 times the scatter band of the measured lives. The study demonstrates that the physically-data-driven model can more accurately predict the fatigue life of NR, providing a theoretical foundation for the fatigue-resistant design of NR components.

Key words: natural rubber, fatigue life, uniaxial fatigue, physical model, data-driven

中图分类号:

TQ333

刘湘楠, 杨宇鑫, 石伟, 何宽芳. 物理-数据融合驱动的天然橡胶疲劳寿命预测建模方法[J]. 机械工程学报, 2025, 61(13): 293-301.

LIU Xiangnan, YANG Yuxin, SHI Wei, HE Kuanfang. Physically-data-driven Modeling Method for Fatigue Life Prediction of Natural Rubber[J]. Journal of Mechanical Engineering, 2025, 61(13): 293-301.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://www.cjmenet.com.cn/CN/10.3901/JME.2025.13.293

http://www.cjmenet.com.cn/CN/Y2025/V61/I13/293

参考文献

[1] YAO Q Y，DONG P，ZHAO Z Y，et al. Temperature dependent tensile fracture strength model of rubber materials based on Mooney-Rivlin model[J]. Engineering Fracture Mechanics，2023，292：109646.
[2] TAVOSI S，ALIMARDANI M，GHOREISHY M H R，et al. Fatigue failure modeling in rubber stator of downhole motors：Dependency to materials and geometry，and its application to life prediction[J]. Engineering Failure Analysis，2024，159：108072.
[3] LIU X N，TAN J H，LONG S B. Multi-axis fatigue load spectrum editing for automotive components using generalized S-transform[J]. International Journal of Fatigue，2024，188：108503.
[4] 吕向飞，黄帅. 考虑应变比影响的车用隔振橡胶疲劳寿命预测方法[J]. 噪声与振动控制，2021，41(6)：211-214，228. LÜ Xiangfei，HUANG Shuai. Fatigue life prediction method for automotive vibration isolation rubber considering the effect of strain ratio[J]. Noise and Vibration Control，2021，41(6)：211-214，228.
[5] ROMAN A J，QIN S，RODRIGUEZ J C，et al. Natural rubber blend optimization via data-driven modeling：The implementation for reverse engineering[J]. Polymers，2022，14(11)：2262.
[6] SRIVASTAVA A，SHARMA S. Recent advances in experimental and molecular dynamics study of graphene-oxide/natural rubber composites：A review[J]. Journal of Reinforced Plastics and Composites，2023，42(3-4)：110-130.
[7] 丁智平，陈吉平，宋传江，等. 橡胶弹性减振元件疲劳裂纹扩展寿命分析[J]. 机械工程学报，2010，46(22)：58-64. DING Zhiping，CHEN Jiping，SONG Chuanjiang，et al. Fatigue crack extension life analysis of rubber elastic damping elements[J]. Journal of Mechanical Engineering，2010，46(22)：58-64.
[8] MARS W V，FATEMI A. A literature survey on fatigue analysis approaches for rubber[J]. International Journal of fatigue，2002，24(9)：949-961.
[9] MARS W V，FATEMI A. Factors that affect the fatigue life of rubber：A literature survey[J]. Rubber chemistry and technology，2004，77(3)：391-412.
[10] WANG X L，LIU J T. Intelligent prediction of fatigue life of natural rubber considering strain ratio effect[J]. Fatigue & Fracture of Engineering Materials & Structures，2023，46(5)：1687-1703.
[11] 王谙斌，甘磊，淦志强，等. 数据与连续损伤力学双驱动的增材疲劳寿命预测模型[J]. 固体力学学报，2024，45(4)：427-440. WANG Anbin，GAN Lei，GAN Zhiqiang，et al. Data and continuum damage mechanics driven fatigue life prediction model for additive materials[J]. Journal of Solid Mechanics，2024，45(4)：427-440.
[12] LIU X N，ZHAO X Z，SHANGGUAN W B. Fatigue life prediction of natural rubber components using an artificial neural network[J]. Fatigue & Fracture of Engineering Materials & Structures，2022，45(6): 1678-1689.
[13] XIANG K L，XIANG P Y，WU Y P. Prediction of the fatigue life of natural rubber composites by artificial neural network approaches[J]. Materials & Design，2014，57：180-185.
[14] LIU X N，SHANGGUAN W B，ZHAO X Z. Residual fatigue life prediction of natural rubber components under variable amplitude loads[J]. International Journal of Fatigue，2022，165：107199.
[15] WANG LP，ZHU S P，LUO C，et al. Defect driven physics-informed neural network framework for fatigue life prediction of additively manufactured materials[J]. Philosophical Transactions of the Royal Society A，2023，381(2260)：20220386.
[16] HALAMKA J，BARTOSAK M，SPANIEL M. Using hybrid physics-informed neural networks to predict lifetime under multiaxial fatigue loading[J]. Engineering Fracture Mechanics，2023，289：109351.
[17] 上官文斌，王小莉，叶必军，等. 应变比对填充天然橡胶疲劳特性影响的试验及其寿命预测方法研究[J]. 机械工程学报，2013，49(8)：49-56. SHANGGUAN Wenbin，WANG Xiaoli，YE Bijun, et al. Experimental study on the effect of strain ratio on fatigue characteristics of filled natural rubber and its life prediction method[J]. Journal of Mechanical Engineering， 2013，49(8)：49-56.
[18] LIU Q B，SHI W K，CHEN Z Y. Fatigue life prediction for vibration isolation rubber based on parameter- optimized support vector machine model[J]. Fatigue & Fracture of Engineering Materials & Structures， 2019，42(3)：710-718.
[19] SABALD D J，BUCKLEW J A. Support vector machine techniques for nonlinear equalization[J]. IEEE Transactions on Signal Processing，2000，48(11)： 3217-3226.
[20] TAO Y，STEVENS C，BILOTTI E. Fatigue of carbon cord-rubber composites：Effect of frequency, R ratio and lifetime prediction using constant life models[J]. International Journal of Fatigue，2020，135(1)：105558.

物理-数据融合驱动的天然橡胶疲劳寿命预测建模方法

Physically-data-driven Modeling Method for Fatigue Life Prediction of Natural Rubber

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	冯小明, 万珍平, 孙东升, 龙元香. 制动器增力传动机构研究现状与发展趋势[J]. 机械工程学报, 2026, 62(8): 1-20.
[2]	杨泽坤, 李韶华, 杨绍普. 从低阶建模到全域智能：分布式驱动车辆多物理场耦合机理、估计与控制综述[J]. 机械工程学报, 2026, 62(8): 221-245.
[3]	秦曈, 孟庆尧, 魏威, 陈立为, 王紫扬, 李莉. 基于数据驱动的运载火箭总体回路设计研究[J]. 机械工程学报, 2026, 62(7): 15-24.
[4]	董梓硕, 郭薇, 严乐明, 张敏, 于孟, 李继新. 无头轧制非稳态阶段FET数据驱动预测及分析[J]. 机械工程学报, 2026, 62(6): 163-173.
[5]	江晟达, 何霁, 郭聪, 李淑慧, 钱昌明. 数据驱动的自洽聚类分析方法及塑性成形高效跨尺度模拟[J]. 机械工程学报, 2025, 61(4): 74-85.
[6]	肖乾, 黄文龙, 陈道云, 孙守光, 李强, 石晓玲. 考虑非线性累积损伤模型修正的转向架构架疲劳可靠性评估[J]. 机械工程学报, 2025, 61(22): 237-249.
[7]	陈钱, 董兴建, 陈康康, 刘文博, 袁顺, 吴培桂, 倪洪斌. 基于迭代式局部加权线性回归的汽车座椅滑轨剥离强度预测[J]. 机械工程学报, 2025, 61(17): 193-204.
[8]	范志明, 甘磊, 淦志强, 王谙斌, 苏永辉, 吴昊. 基于特征迁移的小样本增材制造疲劳寿命预测方法[J]. 机械工程学报, 2025, 61(17): 255-265.
[9]	徐自力, 高京京, 覃曼青, 何孟夫. 基于混合机器学习模型的两级加载下金属材料的剩余疲劳寿命预测方法[J]. 机械工程学报, 2025, 61(12): 73-82.
[10]	吴吉展, 魏沛堂, 吴少杰, 刘怀举, 朱才朝. 航空齿轮钢滚动接触疲劳性能预测与表面完整性优化[J]. 机械工程学报, 2024, 60(8): 81-93.
[11]	师陆冰, 张志宏, 闫晓青, 汤伟毕, 裴帮, 刘忠明. 三峡升船机齿轮齿条运行载荷与疲劳寿命研究[J]. 机械工程学报, 2024, 60(5): 119-129.
[12]	严如强, 许文纲, 王志颖, 朱启翔, 周峥, 赵志斌, 孙闯, 王诗彬, 陈雪峰, 张军辉, 徐兵. 航空发动机燃油控制系统故障诊断技术研究进展与挑战[J]. 机械工程学报, 2024, 60(4): 3-31.
[13]	吴吉展, 魏沛堂, 刘怀举, 吴少杰, 朱才朝. 航空齿轮钢表面完整性与滚动接触疲劳性能关联规律研究[J]. 机械工程学报, 2024, 60(4): 284-295.
[14]	张大禹, 王震坡, 刘鹏, 林倪, 张照生. 新能源汽车动力电池衰退机制与健康状态估计研究概述[J]. 机械工程学报, 2024, 60(22): 241-256.
[15]	白鑫, 张鹏, 张哲峰, 谢里阳. 等效疲劳寿命及其在疲劳可靠性设计中的应用[J]. 机械工程学报, 2024, 60(22): 427-436.