纤维增强复合材料(Fiber Reinforced Polymer,FRP)因其拥有优异的力学性能被广泛应用于航天航空、轨道交通、土木工程以及能源科技等领域。随着复合材料结构在各领域的广泛应用,因复合材料长期使用带来的疲劳失效问题日益突出。因此,国内外学者针对复合材料在服役过程中的累积损伤和疲劳寿命评估进行了深入研究,致力于发展一种高效、便捷以及可靠的预测方法对复合材料疲劳寿命进行预测与评估。基于振动频率的检测方法作为一种传统的无损检测手段,已被广泛用于预测及定位复合材料结构中的损伤,现有研究表明频率对复合材料服役过程中产生的疲劳累积损伤亦较为敏感。频率的测量简便、可靠,不影响结构的整体力学性能,还可以对被测结构在服役或工作过程中进行在线和原位监测。故本文将以频率作为参量,首先考察频率改变量与疲劳寿命之间的联系,然后研究基于频率变化反演复合材料结构的疲劳寿命。本文基于现有文献中的五种典型剩余刚度模型推导了五种对应的剩余频率理论模型,并构建了两种不同的人工智能算法模型包括支持向量机SVM模型与人工神经网络ANN模型。分别采用上述5种理论模型与2种算法模型对复合材料的疲劳寿命进行了预测,并比较了两类模型的预测精度。制作了碳纤维复合材料CFRP与玻璃纤维复合材料GFRP的试件,采用实测数据对本文提出的预测模型进行了实验验证,结果表明:(1)五种基于频率的理论预测模型中,基于Yang模型推导的剩余频率模型预测精度最佳;比较了不同阶频率构建的理论模型,其中基于第八阶频率构建的理论模型预测精度最佳。(2)在对两种不同的算法预测模型对比中,根据频率多维度的特征设计了12中不同的方案(包括单阶频率方案以及多阶频率组合方案),其中采用SVM算法模型预测精度最佳,两种材料实验案例最小对数误差分别为1.34%,1.84%;而在不同预测方案中,多阶预测方案由于提供的样本特征较多,预测结果比单阶频率的方案要好,其中方案12(即第2-5阶频率的组合)预测精度最佳,其误差为1.48%,1.83%。(3)通过对理论模型与SVM和ANN算法预测模型的对比发现,SVM算法预测模型在小样本数据案例中具有最优的预测效果以及预测稳定性;理论模型比ANN算法模型的预测稳定性较高,主要由于理论模型拟合度较高,;而人工神经网络在小样本案例中易受数据噪点影响,导致预测精度较差。此外,通过ABAQUS有限元软件发展了基于频率衰减的有限元分析方法,主要包括两部分:(1)运用多步分析方法建立基于频率衰减为损伤参量的静载拉伸有限元模型,通过有限元方法对静载过程中单元损伤产生的频率衰减进行规律性研究;(2)运用Python结合ABAQUS子程序的开发构建了疲劳-模态分析模型,得到频率随疲劳循环次数增加而衰减的结果,仿真结果与实验拥有一致的曲线趋势。另外,对静载模型进行实验验证,结果表明,频率值随静载拉伸位移的增加产生规律性的衰减,与实验现象相符;对疲劳-模态分析模型的仿真案例进行疲劳寿命预测,结果表明SVM预测精度最高,误差达0.64%。综上所述,本文所构建的基于频率值为参量的理论模型与算法模型均能用于复合材料疲劳寿命预测,且在理论模型中,以第八阶频率预测效果最佳,而算法模型中SVM算法在小样本数据中预测效果突出,以多阶频率组合的预测效果最佳,故在算法预测模型中应使用多阶频率组合用于疲劳寿命预测。