统一离散与连续断裂力学的深度能量方法，实现AI高精度裂纹预测
把断裂力学两派模型统一进一个深度能量框架，让AI在稀疏采样下精准预测裂纹扩展，迈向工程级失效仿真。
传统断裂力学分两派：把裂纹当真实不连续面的离散模型，和用连续损伤场描述的相场法。新研究提出XDEM，把两者统一进一个深度能量框架（基于变分势能最小原理的神经网络），用裂纹函数和扩展函数（描述裂纹尖端应力奇异性的解析项）让AI在稀疏采样下也能精确预测应力强度因子和裂纹扩展路径。
正文摘录
.jpg) 编辑丨^  论文链接： https://www.nature.com/articles/s41467-026-76748-1 把两套模型放进一个框架 传统断裂力学大致存在两条路线。 一种是 离散裂纹模型， 直接把裂纹当作一条真实的不连续面来处理，例如 VCCT、CZM 以及 XFEM 等方法。这类方法计算效率较高，但通常需要明确表示裂纹的位置，并根据相应的断裂准则决定裂纹如何继续扩展。 另一种是 连续损伤模型 ，其中比较典型的是 phase-field 方法。它不再把裂纹表示成一条无限尖锐的线，而是用一个连续的损伤场把裂纹扩散到一定区域，因此能够更自然地描述裂纹萌生、扩展以及复杂裂纹网络。 研究团队提出的 XDEM 建立在 Deep Energy Method，也就是 DEM 之上。与常见的 Physics-Informed Neural Networks（PINNs）不同的是，它不是主要通过把控制方程逐点塞进损失函数来训练网络，而是以 变分势能最小原理为基础。  图 1：XDEM 的示意图，由离散和连续模型组成。 其核心思路是将解析力学先验嵌入神经网络，降低优化难度，实现稀疏均匀配点下的高精度求解。