航空航天系费成巍课题组针对“在高温高应力的复杂环境下如何有效预测涡轮叶盘的疲劳寿命”这一问题，提出了一种全新的深度学习方法——卷积深度神经网络（C-DNN）融合方法。
这一创新性方法通过结合卷积神经网络（CNN）和深度神经网络（DNN）的优势，更加精确地提取数据中的重要特征，进行高效的回归建模，显著提高涡轮叶盘低周疲劳寿命预测的精度与效率。对比其他常见的机器学习方法，在预测效率和精度上均具有显著优势。这项研究为航空发动机的健康监测和维护提供了可靠的技术支持。该研究成果以“Deep learning-based modeling method for probabilistic LCF life prediction of turbine blisk”为题，9月18日，发表于国际期刊Propulsion and Power Research，并在发表后 3 个月内入选 ESI 高被引论文（Highly Cited Paper）。
原文链接：https://www.sciencedirect.com/science/article/pii/S2212540X23000548
