Türbin Kanatlarında Tek Kristallerin Ömür Tahmini için Yapay Sinir Ağı Destekli Sayısal Modellemesi

Abstract

Nikel bazlı tek kristalli süperalaşımlar, üstün mekanik dayanımları, sünme direnci ve yüksek sıcaklıklardaki kararlılıkları sayesinde modern türbin kanadı uygulamalarının temel malzemeleri arasında yer almaktadır. Bu malzemeler, yüksek gerilme genlikleri, sıcaklık gradyanları ve bekletme sürelerini içeren karmaşık termomekanik yorulma (TMF) döngülerine sıklıkla maruz kalmaktadır. Özellikle uzay ve savunma sanayisinde kullanılan bileşenler için deneysel veri kısıtlılığı ve tek kristallerin anizotrop davranışı, bu zorlayıcı yükleme koşulları altında yorulma ömrü tahminini olduk- ça güçleştirmektedir. Bu zorluklardan yola çıkan bu tez, yorulma ömrünü tahmin etmek ve sınırlı veri koşullarında bile malzeme parametrelerini yüksek doğrulukla belirlemek amacıyla fizik tabanlı sürekli hasar mekaniğini (CDM) ve veri odaklı makine öğrenimi modellerini birleştiren hibrit bir öngörü çerçevesi sunmaktadır. Bu çalışmada, sentetik yorulma ömrü verilerinin oluşturulmasında temel olarak kullanılan model, FCC kristal yapısına sahip tek kristalli süperalaşımların anizotrop davra- nışlarını ve sıcaklığa bağlı malzeme tepkilerini dikkate alan, özelleştirilmiş bir Chaboche sürekli hasar modeli olmuştur. Ancak, yorulma ömrü tahmininde esas rolü oynayan yapı, farklı veri türleriyle eğitilen yapay sinir ağı (YSA) modelleridir. Tezin üçüncü bölümü- nün başında iki ayrı YSA modeli tanıtılmaktadır. İlk model, sınırlı UTS ve dayanım bilgileriyle birlikte deneysel yorulma ve sünme verilerinden oluşturulan yarı-sentetik veri setini kullanarak hem sünme kopma süresini hem de yüksek çevrimli ve birleşik çevrimli yorulma (HCF ve CCF) koşullarındaki yorulma ömrünü tahmin etmektedir. İkinci model ise tamamen, özelleştirilmiş Chaboche modeli ile oluşturulan sentetik SN eğrileri ile eğitilmiştir. Bu model, sıcaklık ve R oranlarına bağlı olarak normalleştirilmiş ve logaritmik ölçeklenmiş girdiler üzerinden SN eğrileri ve Goodman diyagramları üretmek üzere yapılandırılmıştır. Bu iki model, geniş çalışma koşul- larını kapsayabilen tahmin altyapısını oluşturmaktadır. Deneysel yorulma verilerinin dağınık ve yetersiz olması problemini aşmak amacıyla, sentetik verilerle eğitilen YSA modelleri, transfer öğrenmesi yaklaşımlarıyla hem CMSX-4 hem de AISI 4340 gibi genel metal türleri için elde edilen deneysel veri kümelerine uyarlanmıştır. Bu bağlamda, biri önceden eğitilmiş modelin parametrelerinin doğrudan ayarlanmasına, diğeri ise yeni fiziksel değişkenlerin modele dâhil edilmesini sağlayan bir giriş genişletme yapısına dayalı iki farklı transfer öğrenmesi modeli geliştirilmiştir. Her iki model de veri güvenilirliğini sağlamak amacıyla bırak-bir çapraz doğrulama (LOOCV) yöntemi ile değerlendirilmiştir. Bu yaklaşımlar, sınırlı deneysel veriyle yorulma ömrü tahminlerinin gerçekleştirilebileceğini ve model tutarlılığının sıcaklık ve gerilme oranı ekseninde korunabileceğini göstermektedir. Yorulma ömrü tahminine ek olarak, bu tezde, gerilme-şekil değiştirme verilerinden malzeme model parametrelerini tersine belirlemeyi amaçlayan, veri odaklı bir parametre optimizasyonu süreci de sunulmaktadır. Bu kapsamda, Voce tipi izotropik pekleşme içeren, oransal olmayan J2 plastiklik modeli ile oluşturulan sonlu eleman simülasyonları üzerinden bir veri seti üretilmiş ve tam gerilme-şekil değiştirme eğrisinden model parametrelerine haritalama yapabilen bir YSA regresyon modeli eğitilmiştir. Bu yapı, güçlü doğrusal olmayan plastik davranışlarda dahi temel malzeme sabitlerini yüksek doğrulukla ve verimli bir şekilde geri kazanabilmektedir. Sonuç olarak, bu tezde sunulan yöntemsel yapı, yüksek performanslı malzemelerde yorulma ömrü değerlendirmesi, model kalibrasyonu ve veri genişletmesi gibi alanlarda esnek ve ölçeklenebilir bir çözüm sağlamaktadır. Sentetik veri üretimi, YSA tabanlı regresyon ve transfer öğrenmesini tek bir çerçevede birleştiren bu yaklaşım, sınırlı deneysel destekle anizotropik ve yüksek sıcaklık dayanımı gerektiren malzeme- lerin yorulma modellemesine dair süregelen zorluklara etkin bir çözüm sunmaktadır. Bu kapsamda geliştirilen yöntemler, yalnızca tahmin doğruluğunu artırmakla kalmayıp, aynı zamanda gaz türbin motoru bileşenleri gibi kritik uygulamalarda yorulma modelleme araçlarının yorumlanabilirliğini ve uyarlanabilirliğini de geliştirmektedir.

Nickel-based single crystal superalloys, such as CMSX-4, are the backbone of modern turbine blade applications due to their exceptional mechanical strength, creep resistance, and thermal stability under extreme service conditions. These materials are frequently subjected to complex thermo-mechanical fatigue (TMF) cycles, including high stress amplitudes, temperature gradients, and dwell times. Accurate lifetime assessment under such demanding loading conditions remains a critical challenge due to the anisotropic behavior of single crystals and the limited availability of experimental data, particularly for components used in aerospace and defense sectors. Motivated by these challenges, this thesis explores a hybrid predictive framework that combines physics-based continuum damage mechanics (CDM) with data-driven machine learning models to assess fatigue lifetime and identify material parameters with high precision, even under data scarcity. A modified Chaboche continuum damage model serves as the foundation for the generation of synthetic fatigue lifetime data in this study. This model is tailored to capture the anisotropic behavior of FCC single crystal superalloys, incorporating temperature-dependent material responses across a range of stress ratios and loading conditions. However, the broader fatigue lifetime prediction framework is built upon artificial neural networks (ANNs), which are trained on multiple types of input data. Two distinct ANN-based models are introduced. The first model uses semi-synthetic datasets combining experimental fatigue and creep data with limited UTS/endurance information to predict both creep rupture time and fatigue lifetime under high-cycle and combined-cycle fatigue (HCF and CCF) conditions. The second model is trained exclusively on fully synthetic SN curves generated using the modified Chaboche law. It is designed to reproduce lifetime predictions across various temperatures and R-ratios, generating SN curves and Goodman diagrams from normalized, log-scaled inputs. Together, these models establish a predictive backbone capable of extrapolating fatigue behavior across a wide range of operational domains. To overcome the critical limitation of sparse and scattered experimental fatigue data, transfer learning strategies are applied to adapt the synthetic-data-trained ANNs to experimental datasets from both CMSX-4 and generic metals such as AISI 4340. Two transfer learning models are developed: one based on direct parameter tuning of a pretrained model and another incorporating an input expansion scheme to integrate new physical variables. These models are evaluated using leave-one-out cross-validation (LOOCV) to ensure robustness and generalizability. The transfer learning approach demonstrates significant potential in predicting fatigue lifetime from minimal experimental data while preserving model consistency across temperature and R-ratio domains. In addition to fatigue life prediction, the thesis presents a data-driven parameter optimization pipeline designed to infer constitutive model parameters from stress–strain data. This approach leverages a custom-built finite element-based simulation loop to generate datasets using a rate-independent J2 plasticity model with Voce-type hardening. A neural network regressor is trained to map the full stress–strain profile to the underlying material parameters, enabling inverse modeling from experimental or simulated mechanical responses. This framework is capable of recovering key material constants efficiently and accurately, even for highly nonlinear plastic behavior. Overall, the proposed framework offers a versatile and scalable methodology for fatigue life assessment, model calibration, and data augmentation in high-performance materials. By synthesizing synthetic data generation, ANN-based regression, and transfer learning under a unified pipeline, this thesis addresses the longstanding challenge of modeling fatigue in anisotropic, high-temperature materials with limited experimental support. The methods developed here not only contribute to predictive accuracy but also enhance the interpretability and adaptability of fatigue modeling tools in critical applications such as gas turbine engine components.