理论基础与核心方法
1. 疲劳经典理论及其瓶颈
1.1.疲劳失效的微观与宏观机理： 裂纹萌生、扩展与断裂的物理过程。
1.2.传统方法的回顾与评析。
1.3.引出核心问题：是否存在一个更具物理意义、能统一描述疲劳全过程（萌生与扩展）且试验量更少的参量？
2. 能量法理论体系—从物理原理到数学模型
2.1.疲劳过程中的能量观、核心物理量-塑性滞后环与能量耗散。
2.2.能量型寿命预测模型建立：Miner线性累积损伤理论、经典能量模型讲解、模型参数（如 Wc, Ec）的物理意义及其试验确定方法。
3. 能量法的数值实现通路
3.1.通路一：试验法直接获取。
3.2.通路二：有限元法仿真获取。（本课程重点）
3.2.1.关键技术：使用有限元软件进行准静态循环塑性分析。
3.2.2.材料模型选择：线性随动强化模型、非线性随动强化模型、Chaboche模型及其适用场景。
3.2.3.分析步设置：如何设置加载、卸载循环，以稳定地模拟出滞后环。
3.2.4.结果后处理：在FEA软件中如何提取特定单元或节点的应力-应变数据，并导出用于计算ΔWp。
案例实践1：基于ABAQUS的后桥壳疲劳寿命能量分析方法
案例实践2：对含有应力集中的焊接接头进行精细有限元建模及寿命预测
监测与数据驱动方法—红外热像技术与深度学习
4. 红外热像技术基础与疲劳监测原理
4.1.红外物理学基础及红外热像系统核心。
4.2.疲劳过程中的热力学响应。
4.2.1.两大热源机理：热弹性效应、塑性耗散。
4.2.2.从“测温”到“读力”与“读伤”：阐释如何从采集到的温度信
号中分离出上述两种效应，从而反推应力信息或损伤信息。
5. 从温度数据到能量耗散的实战数据处理流程
5.1.数据预处理。
5.2.关键算法与分离技术。（本课程重点）
5.3.可视化分析：生成耗散能图，直观显示试件表面的损伤热点与分布。
案例实践3：MATLAB红外热像数据处理
① 环境搭建：使用MATLAB，导入提供的示例红外数据。
② 数据读取与查看：读取数据，查看平均温度历程曲线。
③ 图像预处理：编写代码进行空域滤波和时域滤波，对比滤波效果。
④ 耗散能计算，将计算结果可视化为全场耗散能图，定位疲劳热点。
2. 深度学习入门：当CNN和RNN遇见工程数据
6.1.卷积神经网络（CNN）核心概念：
6.1.1.卷积层、池化层、激活函数如何自动提取图像的空间层级特征。
6.1.2.经典网络结构（如ResNet, U-Net）。
6.2循环神经网络（RNN/LSTM）核心概念：为何需要处理序列数据？LSTM的门控机制如何捕捉温度序列中的时序依赖关系。
6.3.模型架构设计：讲解如何为疲劳热像序列设计一个“CNN特征提取器+LSTM时序理解器+全连接层回归/分类”的混合模型。
案例实践4：基于热耗散机制构建裂纹长度和扩展路径智能预测模型
① 环境与数据：使用本地MATLAB环境。提供已标注的数据集（热像图序列+ 对应的裂纹长度标签）。
② 数据加载与预处理：进行图像缩放、归一化、序列分割等操作。
③ 模型搭建：使用MATLAB搭建CNN-LSTM模型，并输出对最终裂纹长度的预测。
④ 模型训练与评估：
1) 定义损失函数（如MSELoss）和优化器（如Adam）。
2) 运行训练循环，观察训练损失和验证损失的变化。
使用训练好的模型对测试集进行预测，计算平均绝对误差（MAE），评估模型性能。
理论基础与核心方法
1. 疲劳经典理论及其瓶颈
1.1.疲劳失效的微观与宏观机理： 裂纹萌生、扩展与断裂的物理过程。
1.2.传统方法的回顾与评析。
1.3.引出核心问题：是否存在一个更具物理意义、能统一描述疲劳全过程（萌生与扩展）且试验量更少的参量？
2. 能量法理论体系—从物理原理到数学模型
2.1.疲劳过程中的能量观、核心物理量-塑性滞后环与能量耗散。
2.2.能量型寿命预测模型建立：Miner线性累积损伤理论、经典能量模型讲解、模型参数（如 Wc, Ec）的物理意义及其试验确定方法。
3. 能量法的数值实现通路
3.1.通路一：试验法直接获取。
3.2.通路二：有限元法仿真获取。（本课程重点）
3.2.1.关键技术：使用有限元软件进行准静态循环塑性分析。
3.2.2.材料模型选择：线性随动强化模型、非线性随动强化模型、Chaboche模型及其适用场景。
3.2.3.分析步设置：如何设置加载、卸载循环，以稳定地模拟出滞后环。
3.2.4.结果后处理：在FEA软件中如何提取特定单元或节点的应力-应变数据，并导出用于计算ΔWp。
案例实践1：基于ABAQUS的后桥壳疲劳寿命能量分析方法
案例实践2：对含有应力集中的焊接接头进行精细有限元建模及寿命预测
监测与数据驱动方法—红外热像技术与深度学习
4. 红外热像技术基础与疲劳监测原理
4.1.红外物理学基础及红外热像系统核心。
4.2.疲劳过程中的热力学响应。
4.2.1.两大热源机理：热弹性效应、塑性耗散。
4.2.2.从“测温”到“读力”与“读伤”：阐释如何从采集到的温度信
号中分离出上述两种效应，从而反推应力信息或损伤信息。
5. 从温度数据到能量耗散的实战数据处理流程
5.1.数据预处理。
5.2.关键算法与分离技术。（本课程重点）
5.3.可视化分析：生成耗散能图，直观显示试件表面的损伤热点与分布。
案例实践3：MATLAB红外热像数据处理
① 环境搭建：使用MATLAB，导入提供的示例红外数据。
② 数据读取与查看：读取数据，查看平均温度历程曲线。
③ 图像预处理：编写代码进行空域滤波和时域滤波，对比滤波效果。
④ 耗散能计算，将计算结果可视化为全场耗散能图，定位疲劳热点。
2. 深度学习入门：当CNN和RNN遇见工程数据
6.1.卷积神经网络（CNN）核心概念：
6.1.1.卷积层、池化层、激活函数如何自动提取图像的空间层级特征。
6.1.2.经典网络结构（如ResNet, U-Net）。
6.2循环神经网络（RNN/LSTM）核心概念：为何需要处理序列数据？LSTM的门控机制如何捕捉温度序列中的时序依赖关系。
6.3.模型架构设计：讲解如何为疲劳热像序列设计一个“CNN特征提取器+LSTM时序理解器+全连接层回归/分类”的混合模型。
案例实践4：基于热耗散机制构建裂纹长度和扩展路径智能预测模型
① 环境与数据：使用本地MATLAB环境。提供已标注的数据集（热像图序列+ 对应的裂纹长度标签）。
② 数据加载与预处理：进行图像缩放、归一化、序列分割等操作。
③ 模型搭建：使用MATLAB搭建CNN-LSTM模型，并输出对最终裂纹长度的预测。
④ 模型训练与评估：
1) 定义损失函数（如MSELoss）和优化器（如Adam）。
2) 运行训练循环，观察训练损失和验证损失的变化。
使用训练好的模型对测试集进行预测，计算平均绝对误差（MAE），评估模型性能。
理论基础与核心方法
