【摘要】涡轮盘作为航空发动机的重要组成部分，必须保障安全可靠的运行。低循环载荷作用下的疲劳损伤累积是其主要的失效形式，直接影响涡轮盘的寿命与可靠性水平。涡轮盘复杂的几何特性导致基于仿真数据的疲劳寿命预测难度增大，应用传统蒙特卡洛方法 (Monte Carlo Method, MCM) 因计算量过大难以实施，而常规响应面法 (Response Surface Method, RSM) 的精度又难以满足工程需求。针对这一问题，本文提出将思维进化算法 (Mind Evolutionary Algorithm, MEA) 优化的 BP 神经网络与 AdaDelta 自适应调节器相结合的神经网络方法，通过MEA-AdaDelta-BP 混合模型融合进化算法的全局搜索能力与自适应学习率优化特性，构建高精度代理模型用于涡轮盘低循环疲劳寿命预测。相较于 MEA-BP 与传统 BP 神经网络，MEA-AdaDelta-BP 方法不但满足精度要求，且有效提升计算效率，为可靠性研究提供了技术支撑。