长期以来，材料与结构载荷作用下的变形、裂纹扩展和疲劳失效，一直是工程安全与寿命评估的关键问题。从高速铁路关键部件到桥梁、航空航天结构，失效机理往往跨越微观组织演化、介观缺陷扩展与宏观承载响应等多个尺度，并受环境、制造工艺、服役工况等因素的耦合影响。如何在可靠性要求下实现更快速、更精准的预测与评估，仍是力学与工程交叉领域的共性难题。 因此，西南交通大学康国政教授团队（康国政、阚前华、张旭、胡雅楠、李翔宇等）组织撰写学术专著《Machine Learning in the Analysis of Deformation, Fatigue and Fracture in Solids》，近日由Elsevier与中国科学出版社联合出版。该书获得国家自然科学基金重大项目和西南交通大学本科教材建设研究项目（2025）等支持。此前中文版本已由科学出版社出版，集中介绍国内科研与工业界的对应的前沿进展；此次英文版本在内容框架与案例体系上深入扩充与校订，纳入团队及国内外最新研究成果，力求以更通用的表述与方法体系面向全球读者，促进跨学科与跨区域交流。 业内人士指出，传统固体力学分析主要依赖本构关系、断裂准则等物理模型及有限元等数值方法，理论基础扎实、适用边界清晰，但在高维参数、强非线性、多场耦合与多尺度问题中，常常受到建模成本高、计算开销大、参数辨识困难等限制。，工程现场数据持续增长，试验、监测与仿真数据的协同利用也对方法体系提出了新要求。围绕这些问题，该书系统梳理机器学习在变形预测、疲劳寿命估计、裂纹识别与断裂行为表征等方向的典型路径，强调从数据中提取规律并与物理约束结合，以提升预测效率与泛化能力，推动材料失效分析从“重仿真、重经验”向“数据与机理协同”转变。 从影响看，该书的出版不仅集中呈现了相关研究成果，也反映出我国高校在智能力学方向的持续积累与国际合作能力。一上，书中构建了较系统的知识框架，有助于科研人员相对统一的问题表述与评价体系下开展可复现研究；另一上，面向工程界的案例与方法总结，可为结构健康监测、寿命预测与可靠性评估提供可参考的技术路线，并装备运维、质量控制与安全管理中发挥作用。随着高端装备向高可靠、轻量化、长寿命方向发展，对材料与结构失效的提前预警需求更加迫切，这类跨学科工具链的成熟度将直接影响工程决策效率与成本控制。 在应用层面，相关负责人表示，该专著可作为力学、机械、土木、航空航天等专业本科生的学习参考，也可为研究生与工程技术人员提供方法指引。专家建议，推动该领域进一步发展，需要在三上持续推进：其一，建设高质量数据体系，提高试验、监测与仿真数据的标准化与共享水平；其二，强化物理约束与可解释性研究，降低“只追求拟合精度”带来的工程风险；其三，面向重大工程应用场景开展验证与迭代，形成从理论方法到工程规范的闭环。 展望未来，随着计算能力提升、传感与监测手段更加丰富，以及多学科交叉人才培养体系逐步完善，数据驱动方法与力学机理模型的深度融合有望在材料设计、结构评估与运维管理等环节加快落地。业内普遍认为，围绕复杂工况下的失效预测与风险评估，构建“数据—模型—验证”一体化方案，将成为提升工程安全韧性与产业竞争力的重要方向。
当固体力学与数据科学相遇，这种跨学科融合带来的不仅是方法创新，也为基础研究更好支撑重大工程提供了新路径。西南交大团队的该成果提示我们：在科研范式加速演进的当下，保持学科交叉的敏锐度与持续投入，才能在破解“卡脖子”技术难题中争取主动。