基于可解释梯度提升模型的风力发电机叶片复合材料疲劳预测建模

摘要整理

风力发电机叶片在整个运行周期内承受循环载荷，疲劳是其设计的关键因素。准确预测风力发电机叶片的疲劳性能对优化设计和延长风能系统运行寿命至关重要。本研究基于蒙大拿州立大学波兹曼分校复合材料技术研究小组发布的实验数据，开发了层板复合材料疲劳寿命预测模型。模型采用包含855个数据点的数据集进行训练，每个数据点包含铺层序列、纤维体积分数、应力幅值、加载频率、层板厚度和层板复合材料试样的疲劳试验循环次数。数据集的输出特征为循环次数，表示试样的疲劳寿命。采用随机森林（RF）、极端梯度提升（XGBoost）、类别梯度提升（CatBoost）、轻量级梯度提升机（LightGBM）和极端树回归器等五种模型进行训练，以预测试样的疲劳寿命。为获得最优性能，使用GridSearchCV优化方法对各模型的超参数进行了优化。破坏循环总数的预测系数决定系数（R²）均超过0.9。采用SHAP（SHapley Additive exPlanations）方法进行了特征重要性分析。其中LightGBM模型性能最优，R²=0.9054，RMSE=1.3668，MSE=1.8682。该研究为风力叶片复合材料的疲劳设计和寿命评估提供了有效的机器学习工具。

相关论文