张效成,宫建国,轩福贞

(华东理工大学 机械与动力工程学院 承压系统与安全教育部重点实验室，上海 200237)

0 引言

数世纪以来，科学的发展经历了4个阶段，第一个阶段为经验科学阶段，在此阶段，人们通过基于经验及试验认识世界；第二个阶段为理论科学阶段，在此阶段一系列定理被提出；第三个阶段为计算科学阶段，这一阶段主要受益于计算机科学的发展，结合第二个阶段的理论模型可以描述复杂的现象；第四个阶段为数据驱动科学阶段，得益于数据量的激增，数据驱动的方法为解决传统问题提供了可替代的方案[1]。

对于复杂的工程问题，往往难以直接得到解析解，而经验解无法描述高维数据之间复杂的非线性交互关系。机器学习作为数据驱动的解决方案，可以克服解析解和经验解的局限性，为复杂工程问题提供解决方案。当前，已有许多研究人员利用机器学习的方法解决裂纹缺陷预测及断裂韧性计算等领域的难题。ROVINELLI等[2]将原位试验、晶体塑性模拟及贝叶斯网络结合，确定了多晶材料小疲劳裂纹扩展的方向及速率；FENG等[3]在小数据集下，利用深度神经网络实现了材料硬化裂纹敏感性的预测；TONG等[4]使用决策树、支持向量机及朴素贝叶斯等多种机器学习模型，预测了多晶镁合金在变形之前的孪晶形核行为；HU等[5]结合Markov链Monte Carlo算法及高斯过程回归算法，提高了涡轮盘疲劳裂纹扩展寿命的预测精度，并且对预测结果的不确定性进行了量化；……