剩余疲劳寿命预测对于保障工程结构的安全可靠至关重要。特别是，当结构物遭受变幅值载荷时，由于疲劳损伤累积的复杂性性以及数据中固有的噪声和不确定性，使得剩余疲劳寿命预测具有挑战性。为了解决这个问题，建立了混合机器学习模型GA-BP-GPR方法，该方法使用GA-BP方法(遗传算法-反向传播神经网络)映射输入和剩余寿命之间的复杂关系结合GPR(高斯过程回归)获取相应的不确定性，用于估计两级加载下金属材料的剩余疲劳寿命。在包含12种金属材料、总共328个样本的数据集上对GA-BP-GPR方法进行全面评估。GA-BP-GPR方法对测试集所有预测结果都落在3倍分散带内；与5种机器学习方法和2种传统疲劳预测方法对比结果表明所提方法对两步载荷下的剩余寿命预测具有较高的准确性和可靠性。此外，所提方法对没有参与训练的Al-2024-T42的预测结果都在2倍分散带内，表明所提方法对新材料剩余疲劳寿命预测的泛化能力。
