It is well-known that conventional multiaxial fatigue life prediction models are generally limited to specific materials and loading conditions. To remove this limitation, a novel attempt is proposed in this work based on the deep learning (i.e., an improvement of artificial neural network in machine learning approaches, which is powerful to learn representations of data with multiple levels of abstraction). To comprehensively evaluate the prediction capability of proposed deep learning-based method, six series of existing fatigue data of different materials are, respectively, analyzed, in which the main loading conditions concerned in the low-cycle and high-cycle fatigue researches are included, such as loading modes (stress-controlled/strain-controlled modes), loading levels (stress/strain amplitude and mean stress/strain), and loading paths (uniaxial/multiaxial and proportional/non-proportional paths), as well as for low-cycle and high-cycle fatigue regimes. Comparison of the predicted and experimental results shows that: all the loading conditions mentioned above can be handled satisfactorily by the proposed deep learning-based method; excellent prediction accuracy is achieved, and the predicted lives in each study case fall almost within the scatter band of 1.5 times. In addition, four groups of specifically designed data are used to evaluate the extrapolation capability of the proposed method, and the results show that the extrapolation capability gets weaker if the distinctions between the loading paths involved in the training dataset and test one increase.

众所周知，传统的多轴疲劳寿命预测模型通常仅限于特定的材料和载荷条件。为了消除这个限制，在这项工作中提出了一种基于深度学习的新尝试（即机器学习方法中人工神经网络的改进，它可以强大地学习具有多个抽象级别的数据表示）。为了综合评价所提出的基于深度学习的方法的预测能力，分别分析了现有的六组不同材料的疲劳数据，其中包括低周疲劳研究和高周疲劳研究中涉及的主要载荷工况，例如加载模式（应力控制/应变控制模式），加载水平（应力/应变幅度和平均应力/应变），和加载路径（单轴/多轴和比例/非比例路径），以及低周和高周疲劳状态。预测和实验结果的比较表明：所提出的基于深度学习的方法可以令人满意地处理上述所有负载条件；达到了极好的预测精度，每个研究案例中的预测寿命几乎落在1.5倍的散射带内。此外，使用四组专门设计的数据来评估所提出方法的外推能力，结果表明，如果训练数据集和测试数据中涉及的加载路径之间的差异增加，则外推能力变弱。以及低周和高周疲劳状态。预测和实验结果的比较表明：所提出的基于深度学习的方法可以令人满意地处理上述所有负载条件；达到了极好的预测精度，每个研究案例中的预测寿命几乎落在1.5倍的散射带内。此外，使用四组专门设计的数据来评估所提出方法的外推能力，结果表明，如果训练数据集和测试数据中涉及的加载路径之间的差异增加，则外推能力变弱。以及低周和高周疲劳状态。预测和实验结果的比较表明：所提出的基于深度学习的方法可以令人满意地处理上述所有负载条件；达到了极好的预测精度，每个研究案例中的预测寿命几乎落在1.5倍的散射带内。此外，使用四组专门设计的数据来评估所提出方法的外推能力，结果表明，如果训练数据集和测试数据中涉及的加载路径之间的差异增加，则外推能力变弱。上述所有负载条件都可以通过所提出的基于深度学习的方法得到满意的处理；达到了极好的预测精度，每个研究案例中的预测寿命几乎落在1.5倍的散射带内。此外，使用四组专门设计的数据来评估所提出方法的外推能力，结果表明，如果训练数据集和测试数据中涉及的加载路径之间的差异增加，则外推能力变弱。上述所有负载条件都可以通过所提出的基于深度学习的方法得到满意的处理；达到了极好的预测精度，每个研究案例中的预测寿命几乎落在1.5倍的散射带内。此外，使用四组专门设计的数据来评估所提出方法的外推能力，结果表明，如果训练数据集和测试数据中涉及的加载路径之间的差异增加，则外推能力变弱。