This study investigates machine learning as a support tool for fatigue assessment of welded structures. Effective notch stress analysis, DBSCAN (Density-Based Spatial Clustering of Applications with Noise clustering, and supervised tree-based regression models are covered. DBSCAN is applied to FEM nodal stress fields from welded cover plate joints to identify spatially coherent hotspot regions and evaluate whether the global maximum stress is supported by the surrounding high-stress field. Supervised learning is applied to a compiled axial butt-weld fatigue dataset using Decision Tree, Bagging, Random Forest, and XGBoost models. It is observed that DBSCAN can distinguish clustered hotspot regions from isolated maximum-stress nodes, although the stress magnitude remains mesh-dependent. A stable DBSCAN range of ε = 0.30–0.80 mm and MinPts = 6–10 is obtained. In fatigue-life prediction, Bagging and Random Forest give the most consistent results, with test R^2values close to 0.76. The results show that machine learning can support fatigue assessment but should not replace mechanics-based methods.

Denna studie undersöker maskininlärning som ett stödverktyg för utmattningsbedömning av svetsade konstruktioner. Arbetet omfattar analys med effektiv anvisningsspänning, DBSCAN-klustring (Density-Based Spatial Clustering of Applications with Noise) samt övervakade trädbaserade regressionsmodeller. DBSCAN tillämpas på FEM-baserade nodala spänningsfält från svetsade påsvetsade plåtförband för att identifiera rumsligt sammanhängande kritiska spänningsområden och utvärdera om den globala maximala spänningen stöds av det omgivande högspänningsfältet. Övervakad inlärning tillämpas på en sammanställd axiell utmattningsdatabas för stumsvetsar med hjälp av Decision Tree, Bagging, Random Forest och XGBoost. Resultaten visar att DBSCAN kan särskilja klustrade kritiska spänningsområden från isolerade maximala spänningsnoder, även om spänningsnivån fortfarande är beroende av nätstorleken. Ett stabilt DBSCAN-intervall erhålls för ε = 0,30–0,80 mm och MinPts = 6–10. Vid prediktion av utmattningslivslängd ger Bagging och Random Forest de mest konsekventa resultaten, med testvärden för R² nära 0,76. Resultaten visar att maskininlärning kan stödja utmattningsbedömning, men inte bör ersätta mekanikbaserade metoder