研究背景
断裂力学与机器学习的交叉在 2023-2025 爆发式增长，这篇 Springer 综述（2026）是第一份系统梳理：从裂纹萌生预测、扩展路径模拟到寿命评估，ML 在断裂力学每个环节的介入都被盘点。
方法与核心内容
综述覆盖四条主线：数据驱动的裂纹萌生与扩展预测（历史数据+工况）；物理信息方法（PINN 类求解断裂相场/内聚区模型）；ML 加速的分子/介观模拟（断裂数据集与 ML 势）；结构健康监测中的在线诊断（声发射/图像识别）。
结果与意义
综合判断：ML 在「裂纹萌生的早期预警」与「断裂参数的快速评估」两处已经工程可用；在「裂纹扩展路径的精确预测」上仍需物理模型的深度融合。综述同时指出了数据集标准化的紧迫性——断裂试验数据的高成本导致社区数据集稀缺。
我们的观点
断裂力学是力学与工程安全的交界，ML 的介入直接关系生命财产（压力容器、航空结构、桥梁）。我把这篇综述当作进入该方向的地图：先读它建立全景，再按需深入子方向——比直接读单篇论文的效率高得多。
局限：综述对「小样本 + 高代价试验」的数据困境着墨不足——这是 ML 断裂落地最大的现实约束（迁移学习与物理约束是缓解之道，本站力学方向的 PINN 精读可参考）。