本技術(shù)涉及材料科學(xué)與工程領(lǐng)域，特別是涉及一種金屬材料的疲勞壽命預(yù)測(cè)方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、疲勞壽命預(yù)測(cè)是材料科學(xué)與工程領(lǐng)域中的關(guān)鍵問題，尤其在航空航天、汽車等高要求應(yīng)用中具有重要意義。準(zhǔn)確預(yù)測(cè)材料在循環(huán)載荷下的疲勞壽命，不僅能夠顯著提高結(jié)構(gòu)的安全性和可靠性，還能有效預(yù)防潛在的結(jié)構(gòu)失效，減少維護(hù)成本。

2、相關(guān)技術(shù)中，swt（smith-watson-topper，平均應(yīng)力修正）模型作為一種廣泛應(yīng)用的疲勞壽命預(yù)測(cè)模型，通過綜合考慮材料的彈性和塑性應(yīng)變分量，利用應(yīng)力和應(yīng)變幅值來估計(jì)材料的疲勞壽命。但是申請(qǐng)人認(rèn)識(shí)到，傳統(tǒng)的swt模型的非線性特性使其求解過程復(fù)雜，而且傳統(tǒng)的數(shù)值方法比如牛頓拉夫森迭代法，在實(shí)際應(yīng)用中常面臨計(jì)算復(fù)雜度高、收斂速度慢以及對(duì)初始值選擇高度敏感等問題，不僅會(huì)延長(zhǎng)計(jì)算時(shí)間，還會(huì)導(dǎo)致求解過程中的不穩(wěn)定性和不準(zhǔn)確性，降低金屬材料疲勞壽命的計(jì)算效率和預(yù)測(cè)可靠性。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本技術(shù)提供了一種金屬材料的疲勞壽命預(yù)測(cè)方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，主要目的在于解決采用傳統(tǒng)的swt模型和牛頓拉夫森迭代法進(jìn)行疲勞壽命預(yù)測(cè)，不僅會(huì)延長(zhǎng)計(jì)算時(shí)間，還會(huì)導(dǎo)致求解過程中的不穩(wěn)定性和不準(zhǔn)確性，降低金屬材料疲勞壽命的計(jì)算效率和預(yù)測(cè)可靠性的問題。

2、依據(jù)本技術(shù)第一方面，提供了一種金屬材料的疲勞壽命預(yù)測(cè)方法，該方法包括：

3、獲取swt模型，對(duì)所述swt模型進(jìn)行修正，得到目標(biāo)swt模型；

4、獲取疲勞實(shí)驗(yàn)數(shù)據(jù)，利用所述疲勞實(shí)驗(yàn)數(shù)據(jù)和所述目標(biāo)swt模型構(gòu)建強(qiáng)化學(xué)習(xí)環(huán)境；

5、獲取深度確定性策略梯度算法，采用所述深度確定性策略梯度算法對(duì)所述強(qiáng)化學(xué)習(xí)環(huán)境進(jìn)行訓(xùn)練，得到疲勞壽命預(yù)測(cè)模型；

6、獲取金屬材料數(shù)據(jù)，將所述金屬材料數(shù)據(jù)輸入所述疲勞壽命預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，得到疲勞壽命預(yù)測(cè)結(jié)果。

7、可選地，所述對(duì)所述swt模型進(jìn)行修正，得到目標(biāo)swt模型，包括：

8、獲取應(yīng)力集中系數(shù)和表面粗糙度系數(shù)，采用所述應(yīng)力集中系數(shù)和所述表面粗糙度系數(shù)對(duì)所述swt模型進(jìn)行修正，得到所述目標(biāo)swt模型，其中，

9、；

10、其中，表示綜合修正系數(shù)，b表示疲勞強(qiáng)度指數(shù)，c表示疲勞延展性指數(shù)，表示應(yīng)力幅值，表示循環(huán)中的最大應(yīng)力，表示循環(huán)強(qiáng)度系數(shù)，表示循環(huán)應(yīng)變硬化指數(shù)，e表示彈性模量，表示walker指數(shù)，表示疲勞強(qiáng)度系數(shù)，表示疲勞延性系數(shù)，表示當(dāng)前疲勞壽命，其中，，q表示缺口敏感系數(shù)，表示應(yīng)力集中系數(shù)，表示表面粗糙度系數(shù)。

11、可選地，所述獲取疲勞實(shí)驗(yàn)數(shù)據(jù)，利用所述疲勞實(shí)驗(yàn)數(shù)據(jù)和所述目標(biāo)swt模型構(gòu)建強(qiáng)化學(xué)習(xí)環(huán)境，包括：

12、對(duì)所述疲勞實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理，在預(yù)處理后的所述疲勞實(shí)驗(yàn)數(shù)據(jù)中提取多個(gè)疲勞壽命真實(shí)值，將所述多個(gè)疲勞壽命真實(shí)值加入狀態(tài)空間；

13、獲取步長(zhǎng)因子調(diào)整策略，將所述步長(zhǎng)因子調(diào)整策略加入動(dòng)作空間，所述步長(zhǎng)因子調(diào)整策略為步長(zhǎng)因子隨著訓(xùn)練過程逐漸減小，所述步長(zhǎng)因子的調(diào)整范圍為[-0.1,0.1]，所述步長(zhǎng)因子用于控制每次迭代訓(xùn)練中疲勞壽命估計(jì)值的更新幅度；

14、獲取獎(jiǎng)勵(lì)函數(shù)，采用所述狀態(tài)空間、所述動(dòng)作空間、所述獎(jiǎng)勵(lì)函數(shù)、所述目標(biāo)swt模型構(gòu)建所述強(qiáng)化學(xué)習(xí)環(huán)境，其中，

15、；

16、其中，表示獎(jiǎng)勵(lì)函數(shù)，表示疲勞壽命誤差值，表示疲勞壽命估計(jì)值，表示疲勞壽命真實(shí)值，表示極小值，表示迭代次數(shù)。

17、可選地，所述獲取深度確定性策略梯度算法，采用所述深度確定性策略梯度算法對(duì)所述強(qiáng)化學(xué)習(xí)環(huán)境進(jìn)行訓(xùn)練，得到疲勞壽命預(yù)測(cè)模型，包括：

18、獲取所述深度確定性策略梯度算法包括的當(dāng)前actor網(wǎng)絡(luò)、目標(biāo)actor網(wǎng)絡(luò)、當(dāng)前critic網(wǎng)絡(luò)、目標(biāo)critic網(wǎng)絡(luò)；

19、獲取第一狀態(tài)，基于所述當(dāng)前actor網(wǎng)絡(luò)，根據(jù)所述第一狀態(tài)確定第一步長(zhǎng)因子，以及基于所述強(qiáng)化學(xué)習(xí)環(huán)境，在所述第一狀態(tài)下執(zhí)行所述第一步長(zhǎng)因子，得到第二狀態(tài)和第一獎(jiǎng)勵(lì)值；

20、基于所述當(dāng)前actor網(wǎng)絡(luò)，根據(jù)第二狀態(tài)確定第二步長(zhǎng)因子，并基于所述第二狀態(tài)、所述第二步長(zhǎng)因子進(jìn)行下一輪的訓(xùn)練，以迭代訓(xùn)練得到多個(gè)狀態(tài)、多個(gè)步長(zhǎng)因子、多個(gè)獎(jiǎng)勵(lì)值；

21、將所述多個(gè)狀態(tài)、所述步長(zhǎng)因子、所述獎(jiǎng)勵(lì)值存儲(chǔ)至經(jīng)驗(yàn)回放緩沖區(qū)；

22、從所述經(jīng)驗(yàn)回放緩沖區(qū)中獲取樣本數(shù)據(jù)，采用所述樣本數(shù)據(jù)對(duì)所述當(dāng)前actor網(wǎng)絡(luò)和所述當(dāng)前critic網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，得到所述疲勞壽命預(yù)測(cè)模型。

23、可選地，所述獲取第一狀態(tài)，基于所述當(dāng)前actor網(wǎng)絡(luò)，根據(jù)所述第一狀態(tài)確定第一步長(zhǎng)因子，以及基于所述強(qiáng)化學(xué)習(xí)環(huán)境，在所述第一狀態(tài)下執(zhí)行所述第一步長(zhǎng)因子，得到第二狀態(tài)和第一獎(jiǎng)勵(lì)值，包括：

24、對(duì)所述強(qiáng)化學(xué)習(xí)環(huán)境進(jìn)行初始化，得到第一疲勞壽命估計(jì)值；

25、在所述疲勞實(shí)驗(yàn)數(shù)據(jù)中讀取與所述第一疲勞壽命估計(jì)值匹配的第一疲勞壽命真實(shí)值；

26、將所述第一疲勞壽命估計(jì)值與所述第一疲勞壽命真實(shí)值的差值作為第一疲勞壽命誤差值，將所述第一疲勞壽命估計(jì)值和所述第一疲勞壽命誤差值作為第一狀態(tài)；

27、基于所述當(dāng)前actor網(wǎng)絡(luò)，根據(jù)所述第一狀態(tài)確定第一步長(zhǎng)因子，將所述第一步長(zhǎng)因子發(fā)送至所述強(qiáng)化學(xué)習(xí)環(huán)境；

28、獲取牛頓拉夫森迭代法，基于所述強(qiáng)化學(xué)習(xí)環(huán)境，采用所述牛頓拉夫森迭代法對(duì)所述第一步長(zhǎng)因子進(jìn)行計(jì)算，得到第二疲勞壽命估計(jì)值和第一獎(jiǎng)勵(lì)；

29、在所述疲勞實(shí)驗(yàn)數(shù)據(jù)中讀取與所述第二疲勞壽命估計(jì)值匹配的第二疲勞壽命真實(shí)值，將所述第二疲勞壽命估計(jì)值與所述第二疲勞壽命真實(shí)值的差值作為第二疲勞壽命誤差值，將所述第二疲勞壽命估計(jì)值與所述第二疲勞壽命誤差值作為所述第二狀態(tài)。

30、可選地，所述采用所述樣本數(shù)據(jù)對(duì)所述當(dāng)前actor網(wǎng)絡(luò)和所述當(dāng)前critic網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，得到所述疲勞壽命預(yù)測(cè)模型，包括：

31、在所述樣本數(shù)據(jù)中獲取第一狀態(tài)、第二狀態(tài)和第一步長(zhǎng)因子，將所述第二狀態(tài)輸入所述目標(biāo)actor網(wǎng)絡(luò)進(jìn)行計(jì)算，得到第二目標(biāo)步長(zhǎng)因子，將所述第二目標(biāo)步長(zhǎng)因子、所述第二狀態(tài)輸入所述目標(biāo)critic網(wǎng)絡(luò)進(jìn)行計(jì)算，得到第一目標(biāo)價(jià)值，將所述第一步長(zhǎng)因子、所述第一狀態(tài)輸入所述當(dāng)前critic網(wǎng)絡(luò)進(jìn)行計(jì)算，得到第一當(dāng)前價(jià)值，采用所述第一目標(biāo)價(jià)值和所述一當(dāng)前價(jià)值對(duì)所述當(dāng)前actor網(wǎng)絡(luò)和所述當(dāng)前critic網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

32、將所述樣本數(shù)據(jù)的第三狀態(tài)輸入所述目標(biāo)actor網(wǎng)絡(luò)進(jìn)行計(jì)算，得到第三目標(biāo)步長(zhǎng)因子，將所述第三目標(biāo)步長(zhǎng)因子、所述第三狀態(tài)輸入所述目標(biāo)critic網(wǎng)絡(luò)進(jìn)行計(jì)算，得到第二目標(biāo)價(jià)值，將所述第二步長(zhǎng)因子、所述第二狀態(tài)輸入所述當(dāng)前critic網(wǎng)絡(luò)進(jìn)行計(jì)算，得到第二當(dāng)前價(jià)值，采用所述第二目標(biāo)價(jià)值和所述二當(dāng)前價(jià)值對(duì)所述當(dāng)前actor網(wǎng)絡(luò)和所述當(dāng)前critic網(wǎng)絡(luò)進(jìn)行下一輪的訓(xùn)練，以迭代訓(xùn)練得到所述疲勞壽命預(yù)測(cè)模型。

33、可選地，所述方法還包括：

34、獲取多個(gè)疲勞壽命估計(jì)值，采用所述多個(gè)疲勞壽命估計(jì)值構(gòu)建疲勞壽命收斂軌跡圖；

35、獲取多個(gè)疲勞壽命誤差值，采用所述多個(gè)疲勞壽命誤差值構(gòu)建誤差收斂圖；

36、獲取多個(gè)獎(jiǎng)勵(lì)值，采用多個(gè)獎(jiǎng)勵(lì)值構(gòu)建獎(jiǎng)勵(lì)值變化圖；

37、獲取多個(gè)步長(zhǎng)因子，采用多個(gè)步長(zhǎng)因子構(gòu)建步長(zhǎng)因子調(diào)整圖；

38、在所述疲勞實(shí)驗(yàn)數(shù)據(jù)中提取多個(gè)疲勞壽命真實(shí)值，采用所述多個(gè)疲勞壽命真實(shí)值和所述多個(gè)疲勞壽命估計(jì)值構(gòu)建預(yù)測(cè)與實(shí)際誤差對(duì)比圖；

39、將所述疲勞壽命收斂軌跡圖、所述誤差收斂圖、所述獎(jiǎng)勵(lì)值變化圖、所述步長(zhǎng)因子調(diào)整圖、所述預(yù)測(cè)與實(shí)際誤差對(duì)比圖發(fā)送至用戶所持終端進(jìn)行模型評(píng)估操作；

40、獲取所述用戶基于所持終端反饋的模型評(píng)估結(jié)果；

41、若所述模型評(píng)估結(jié)果指示所述疲勞壽命預(yù)測(cè)模型符合金屬材料疲勞壽命預(yù)測(cè)條件，則對(duì)所述疲勞壽命預(yù)測(cè)模型進(jìn)行存儲(chǔ)。

42、依據(jù)本技術(shù)第二方面，提供了一種金屬材料的疲勞壽命預(yù)測(cè)裝置，該裝置包括：

43、修正模塊，用于獲取swt模型，對(duì)所述swt模型進(jìn)行修正，得到目標(biāo)swt模型；

44、構(gòu)建模塊，用于獲取疲勞實(shí)驗(yàn)數(shù)據(jù)，利用所述疲勞實(shí)驗(yàn)數(shù)據(jù)和所述目標(biāo)swt模型構(gòu)建強(qiáng)化學(xué)習(xí)環(huán)境；

45、訓(xùn)練模塊，用于獲取深度確定性策略梯度算法，采用所述深度確定性策略梯度算法對(duì)所述強(qiáng)化學(xué)習(xí)環(huán)境進(jìn)行訓(xùn)練，得到疲勞壽命預(yù)測(cè)模型；

46、預(yù)測(cè)模塊，用于獲取金屬材料數(shù)據(jù)，將所述金屬材料數(shù)據(jù)輸入所述疲勞壽命預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，得到疲勞壽命預(yù)測(cè)結(jié)果。

47、可選地，所述修正模塊，用于獲取應(yīng)力集中系數(shù)和表面粗糙度系數(shù)，采用所述應(yīng)力集中系數(shù)和所述表面粗糙度系數(shù)對(duì)所述swt模型進(jìn)行修正，得到所述目標(biāo)swt模型，其中，

48、；

49、其中，表示綜合修正系數(shù)，b表示疲勞強(qiáng)度指數(shù)，c表示疲勞延展性指數(shù)，表示應(yīng)力幅值，表示循環(huán)中的最大應(yīng)力，表示循環(huán)強(qiáng)度系數(shù)，表示循環(huán)應(yīng)變硬化指數(shù)，e表示彈性模量，表示walker指數(shù)，表示疲勞強(qiáng)度系數(shù)，表示疲勞延性系數(shù)，表示當(dāng)前疲勞壽命，其中，，q表示缺口敏感系數(shù)，表示應(yīng)力集中系數(shù)，表示表面粗糙度系數(shù)。

50、可選地，所述構(gòu)建模塊，用于對(duì)所述疲勞實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理，在預(yù)處理后的所述疲勞實(shí)驗(yàn)數(shù)據(jù)中提取多個(gè)疲勞壽命真實(shí)值，將所述多個(gè)疲勞壽命真實(shí)值加入狀態(tài)空間；獲取步長(zhǎng)因子調(diào)整策略，將所述步長(zhǎng)因子調(diào)整策略加入動(dòng)作空間，所述步長(zhǎng)因子調(diào)整策略為步長(zhǎng)因子隨著訓(xùn)練過程逐漸減小，所述步長(zhǎng)因子的調(diào)整范圍為[-0.1,0.1]，所述步長(zhǎng)因子用于控制每次迭代訓(xùn)練中疲勞壽命估計(jì)值的更新幅度；獲取獎(jiǎng)勵(lì)函數(shù)，采用所述狀態(tài)空間、所述動(dòng)作空間、所述獎(jiǎng)勵(lì)函數(shù)、所述目標(biāo)swt模型構(gòu)建所述強(qiáng)化學(xué)習(xí)環(huán)境，其中，

51、；

52、其中，表示獎(jiǎng)勵(lì)函數(shù)，表示疲勞壽命誤差值，表示疲勞壽命估計(jì)值，表示疲勞壽命真實(shí)值，表示極小值，表示迭代次數(shù)。

53、可選地，所述訓(xùn)練模塊，用于獲取所述深度確定性策略梯度算法包括的當(dāng)前actor網(wǎng)絡(luò)、目標(biāo)actor網(wǎng)絡(luò)、當(dāng)前critic網(wǎng)絡(luò)、目標(biāo)critic網(wǎng)絡(luò)；獲取第一狀態(tài)，基于所述當(dāng)前actor網(wǎng)絡(luò)，根據(jù)所述第一狀態(tài)確定第一步長(zhǎng)因子，以及基于所述強(qiáng)化學(xué)習(xí)環(huán)境，在所述第一狀態(tài)下執(zhí)行所述第一步長(zhǎng)因子，得到第二狀態(tài)和第一獎(jiǎng)勵(lì)值；基于所述當(dāng)前actor網(wǎng)絡(luò)，根據(jù)第二狀態(tài)確定第二步長(zhǎng)因子，并基于所述第二狀態(tài)、所述第二步長(zhǎng)因子進(jìn)行下一輪的訓(xùn)練，以迭代訓(xùn)練得到多個(gè)狀態(tài)、多個(gè)步長(zhǎng)因子、多個(gè)獎(jiǎng)勵(lì)值；將所述多個(gè)狀態(tài)、所述步長(zhǎng)因子、所述獎(jiǎng)勵(lì)值存儲(chǔ)至經(jīng)驗(yàn)回放緩沖區(qū)；從所述經(jīng)驗(yàn)回放緩沖區(qū)中獲取樣本數(shù)據(jù)，采用所述樣本數(shù)據(jù)對(duì)所述當(dāng)前actor網(wǎng)絡(luò)和所述當(dāng)前critic網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，得到所述疲勞壽命預(yù)測(cè)模型。

54、可選地，所述訓(xùn)練模塊，用于對(duì)所述強(qiáng)化學(xué)習(xí)環(huán)境進(jìn)行初始化，得到第一疲勞壽命估計(jì)值；在所述疲勞實(shí)驗(yàn)數(shù)據(jù)中讀取與所述第一疲勞壽命估計(jì)值匹配的第一疲勞壽命真實(shí)值；將所述第一疲勞壽命估計(jì)值與所述第一疲勞壽命真實(shí)值的差值作為第一疲勞壽命誤差值，將所述第一疲勞壽命估計(jì)值和所述第一疲勞壽命誤差值作為第一狀態(tài)；基于所述當(dāng)前actor網(wǎng)絡(luò)，根據(jù)所述第一狀態(tài)確定第一步長(zhǎng)因子，將所述第一步長(zhǎng)因子發(fā)送至所述強(qiáng)化學(xué)習(xí)環(huán)境；獲取牛頓拉夫森迭代法，基于所述強(qiáng)化學(xué)習(xí)環(huán)境，采用所述牛頓拉夫森迭代法對(duì)所述第一步長(zhǎng)因子進(jìn)行計(jì)算，得到第二疲勞壽命估計(jì)值和第一獎(jiǎng)勵(lì)；在所述疲勞實(shí)驗(yàn)數(shù)據(jù)中讀取與所述第二疲勞壽命估計(jì)值匹配的第二疲勞壽命真實(shí)值，將所述第二疲勞壽命估計(jì)值與所述第二疲勞壽命真實(shí)值的差值作為第二疲勞壽命誤差值，將所述第二疲勞壽命估計(jì)值與所述第二疲勞壽命誤差值作為所述第二狀態(tài)。

55、可選地，所述訓(xùn)練模塊，用于在所述樣本數(shù)據(jù)中獲取第一狀態(tài)、第二狀態(tài)和第一步長(zhǎng)因子，將所述第二狀態(tài)輸入所述目標(biāo)actor網(wǎng)絡(luò)進(jìn)行計(jì)算，得到第二目標(biāo)步長(zhǎng)因子，將所述第二目標(biāo)步長(zhǎng)因子、所述第二狀態(tài)輸入所述目標(biāo)critic網(wǎng)絡(luò)進(jìn)行計(jì)算，得到第一目標(biāo)價(jià)值，將所述第一步長(zhǎng)因子、所述第一狀態(tài)輸入所述當(dāng)前critic網(wǎng)絡(luò)進(jìn)行計(jì)算，得到第一當(dāng)前價(jià)值，采用所述第一目標(biāo)價(jià)值和所述一當(dāng)前價(jià)值對(duì)所述當(dāng)前actor網(wǎng)絡(luò)和所述當(dāng)前critic網(wǎng)絡(luò)進(jìn)行訓(xùn)練；將所述樣本數(shù)據(jù)的第三狀態(tài)輸入所述目標(biāo)actor網(wǎng)絡(luò)進(jìn)行計(jì)算，得到第三目標(biāo)步長(zhǎng)因子，將所述第三目標(biāo)步長(zhǎng)因子、所述第三狀態(tài)輸入所述目標(biāo)critic網(wǎng)絡(luò)進(jìn)行計(jì)算，得到第二目標(biāo)價(jià)值，將所述第二步長(zhǎng)因子、所述第二狀態(tài)輸入所述當(dāng)前critic網(wǎng)絡(luò)進(jìn)行計(jì)算，得到第二當(dāng)前價(jià)值，采用所述第二目標(biāo)價(jià)值和所述二當(dāng)前價(jià)值對(duì)所述當(dāng)前actor網(wǎng)絡(luò)和所述當(dāng)前critic網(wǎng)絡(luò)進(jìn)行下一輪的訓(xùn)練，以迭代訓(xùn)練得到所述疲勞壽命預(yù)測(cè)模型。

56、可選地，所述裝置還包括：

57、評(píng)估模塊，用于獲取多個(gè)疲勞壽命估計(jì)值，采用所述多個(gè)疲勞壽命估計(jì)值構(gòu)建疲勞壽命收斂軌跡圖；獲取多個(gè)疲勞壽命誤差值，采用所述多個(gè)疲勞壽命誤差值構(gòu)建誤差收斂圖；獲取多個(gè)獎(jiǎng)勵(lì)值，采用多個(gè)獎(jiǎng)勵(lì)值構(gòu)建獎(jiǎng)勵(lì)值變化圖；獲取多個(gè)步長(zhǎng)因子，采用多個(gè)步長(zhǎng)因子構(gòu)建步長(zhǎng)因子調(diào)整圖；在所述疲勞實(shí)驗(yàn)數(shù)據(jù)中提取多個(gè)疲勞壽命真實(shí)值，采用所述多個(gè)疲勞壽命真實(shí)值和所述多個(gè)疲勞壽命估計(jì)值構(gòu)建預(yù)測(cè)與實(shí)際誤差對(duì)比圖；將所述疲勞壽命收斂軌跡圖、所述誤差收斂圖、所述獎(jiǎng)勵(lì)值變化圖、所述步長(zhǎng)因子調(diào)整圖、所述預(yù)測(cè)與實(shí)際誤差對(duì)比圖發(fā)送至用戶所持終端進(jìn)行模型評(píng)估操作；獲取所述用戶基于所持終端反饋的模型評(píng)估結(jié)果；若所述模型評(píng)估結(jié)果指示所述疲勞壽命預(yù)測(cè)模型符合金屬材料疲勞壽命預(yù)測(cè)條件，則對(duì)所述疲勞壽命預(yù)測(cè)模型進(jìn)行存儲(chǔ)。

58、依據(jù)本技術(shù)第三方面，提供了一種設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述第一方面中任一項(xiàng)所述方法的步驟。

59、依據(jù)本技術(shù)第四方面，提供了一種存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述第一方面中任一項(xiàng)所述的方法的步驟。

60、借由上述技術(shù)方案，本技術(shù)提供的一種金屬材料的疲勞壽命預(yù)測(cè)方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，本技術(shù)獲取swt模型，對(duì)swt模型進(jìn)行修正，得到目標(biāo)swt模型，獲取疲勞實(shí)驗(yàn)數(shù)據(jù)，利用疲勞實(shí)驗(yàn)數(shù)據(jù)和目標(biāo)swt模型構(gòu)建強(qiáng)化學(xué)習(xí)環(huán)境，獲取深度確定性策略梯度算法，采用深度確定性策略梯度算法對(duì)強(qiáng)化學(xué)習(xí)環(huán)境進(jìn)行訓(xùn)練，得到疲勞壽命預(yù)測(cè)模型，獲取金屬材料數(shù)據(jù)，將金屬材料數(shù)據(jù)輸入疲勞壽命預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，得到疲勞壽命預(yù)測(cè)結(jié)果。通過構(gòu)建自定義的強(qiáng)化學(xué)習(xí)環(huán)境，將修正swt方程轉(zhuǎn)化為決策過程，狀態(tài)包括當(dāng)前疲勞壽命估計(jì)值和疲勞壽命誤差值，動(dòng)作為步長(zhǎng)因子的調(diào)整，然后采用深度確定性策略梯度算法訓(xùn)練智能體，智能體在每次迭代中選擇步長(zhǎng)因子，并結(jié)合牛頓拉夫森迭代法更新當(dāng)前疲勞壽命估計(jì)值，獎(jiǎng)勵(lì)函數(shù)綜合考慮疲勞壽命誤差值、疲勞壽命偏差及迭代次數(shù)，引導(dǎo)智能體逐步逼近真實(shí)解。通過動(dòng)態(tài)調(diào)整步長(zhǎng)因子，能夠?qū)崿F(xiàn)快速收斂與精確調(diào)整的平衡，顯著提高求解效率和精度。通過強(qiáng)化學(xué)習(xí)智能體結(jié)合牛頓迭代法的數(shù)值求解優(yōu)勢(shì)，能夠根據(jù)環(huán)境反饋不斷優(yōu)化策略，實(shí)現(xiàn)高效的非線性方程求解，同時(shí)能夠增強(qiáng)模型的收斂性和穩(wěn)定性，減少對(duì)初始值的敏感性。

61、上述說明僅是本技術(shù)技術(shù)方案的概述，為了能夠更清楚了解本技術(shù)的技術(shù)手段，而可依照說明書的內(nèi)容予以實(shí)施，并且為了讓本技術(shù)的上述和其它目的、特征和優(yōu)點(diǎn)能夠更明顯易懂，以下特舉本技術(shù)的具體實(shí)施方式。