近日，由国际著名学术出版机构Elsevier和中国科学出版社联合出版的学术专著 《Machine Learning in the Analysis of Deformation, Fatigue and Fracture in Solids》 正式发布。该书中文版率先由科学出版社出版，旨在及时向国内学术界与工业界介绍此前沿交叉领域的最新进展；其后出版的英文版，则是在此基础上，结合团队和国内外最新研究进展进行了大幅调整与完善，旨在面向全球读者分享该领域的研究方法与工程应用实践，促进了国际学术交流。
《Machine Learning in the Analysis of Deformation, Fatigue and Fracture in Solids》由太阳成集团61999康国政教授团队（康国政、阚前华、张旭、胡雅楠、李翔宇等）在国家自然科学基金重大项目（12192210; 12192214）和太阳成集团61999本科教材建设研究项目（2025）的支持下撰写，系统阐述了如何利用机器学习（ML）技术，为解决固体材料变形与失效分析中的长期挑战提供全新的、高效的解决方案，标志着该领域的研究进入了数据与物理模型深度融合的新阶段。
传统上，预测材料在载荷下的变形、开裂和疲劳失效行为高度依赖于复杂的物理模型和计算成本高昂的数值模拟。这些方法在处理材料行为的多尺度特性、多因素耦合等复杂场景时常常面临巨大挑战。本书介绍了一种变革性的研究范式：通过利用ML从海量数据中挖掘隐藏规律，极大提升了材料力学行为分析的准确性和效率。 本书核心亮点：
1) 贯穿微观到宏观的多尺度视角： 本书系统涵盖了从原子尺度（分子动力学模拟）、微观尺度（离散位错动力学）到细观尺度（晶体塑性有限元法）的ML应用案例，展现了ML在打破尺度壁垒方面的强大潜力。
2) 超越“黑箱”： 本书不仅介绍了数据驱动模型，更深入阐述了物理机理驱动ML等前沿方向。书中详细说明如何将基本的物理定律作为约束嵌入ML模型，从而保证预测结果既精确又符合物理规律，即使在数据有限的情况下仍具备良好的泛化能力。
3) 聚焦材料疲劳与断裂核心难题：深入探讨了基于ML方法的材料断裂韧性预测、疲劳裂纹萌生与短裂纹/长裂纹扩展行为分析，为材料疲劳与断裂分析提供了创新性工具与方法。
4) 面向工程结构分析的案例实践：内容包含丰富的工业应用案例，涉及复合材料结构加工变形、焊接接头疲劳、高强螺栓疲劳、3D 打印微针穿刺、不规则界面接触等多个典型工程场景。通过本书，读者可系统掌握构建ML模型的方法，并将其应用于解决复杂载荷下的结构变形预测、疲劳寿命评估与失效模式识别等实际工程问题。
全书共6章，第1章为绪论；第2章为ML算法及流程简介，介绍常用的ML算法及其使用流程；第3章为基于ML的多尺度塑性力学分析，介绍基于ML的分子动力学模拟、离散位错动力学模拟、晶体塑性有限元模拟和本构模型构建过程；第4章为基于ML的材料断裂行为研究，介绍ML在裂纹源、裂纹扩展行为、断裂强度和断裂韧性预测中的应用；第5章为基于ML的材料疲劳寿命预测，介绍基于数据驱动和物理机理驱动的ML方法，及其在材料疲劳寿命预测中的应用进展；第6章为基于ML的固体结构分析，介绍ML在固体结构变形、疲劳与断裂行为研究中的典型应用案例。
本书可供高等学校力学、机械、土木、航空航天等专业本科生使用，也可供研究生和工程技术人员参考。
温馨提示：
1：专著英文版介绍：https://shop.elsevier.com/books/machine-learning-in-the-analysis-of-deformation-fatigue-and-fracture-in-solids/kang/978-0-443-44615-3
2：专著中文版介绍：https://mp.weixin.qq.com/s/7lq20KxqjZpgkxCbwnsM1Q
