类型b：学术综述报告

本文由同济大学航空航天与力学学院的汤可可、张鹏、张锐正、王谙斌，以及哈尔滨工业大学（深圳）理学院的仲政合作完成，发表于2025年6月的《力学季刊》（Chinese Quarterly of Mechanics）第46卷第2期。论文题为《可解释机器学习在金属疲劳寿命预测中的应用：方法、挑战与展望》，系统梳理了可解释人工智能（Explainable Artificial Intelligence, XAI）技术在金属疲劳寿命预测领域的研究现状，提出了方法论分类框架，并探讨了未来发展方向。

核心观点一：机器学习在疲劳寿命预测中的优势与局限性并存 作者指出，传统疲劳寿命预测方法（如经验统计模型、损伤累积理论和断裂力学方法）在处理复杂载荷历史和非线性特征时存在局限。相比之下，机器学习（Machine Learning, ML）技术能自动提取数据中的非线性关系，整合多模态信息（如数值特征、微观组织图像等），显著提高了预测精度。然而，ML模型尤其是深度学习的”黑箱”特性导致决策过程不透明，难以验证其物理合理性，限制了工程可信度。这一观点得到多项研究支持：文献[13,17-30]证明ML在多轴疲劳预测中的优越性，而文献[41-43]则指出”黑箱”问题可能引发安全隐患。

核心观点二：提出”后处理解释”与”内置可解释设计”二分法 针对现有XAI方法应用分散的问题，作者创新性地将金属疲劳领域的解释技术分为两大类。第一类是后处理解释（Post-hoc explanations），包括特征相关性分析（如皮尔逊相关系数、斯皮尔曼等级相关）、基于博弈论的SHAP（Shapley Additive Explanations）方法，以及注意力机制可视化技术。这类方法通过外部分析解释已训练模型，典型案例包括Zhou等[63]通过热力图识别316LN不锈钢的峰值应力关键作用，以及笔者团队[65]结合SHAP分析筛选多轴疲劳特征组合。第二类是内置可解释设计（Interpretable by-design），涵盖输入特征构造（如基于SWT参数的特征工程）、物理信息神经网络（Physics-Informed Neural Networks, PINN）和符号回归（Symbolic Regression）。例如Wang等[91]将Basquin公式嵌入神经网络损失函数，而Yu等[98]通过符号回归生成显式寿命公式。作者通过分析87篇文献（2021-2025年）证明该分类体系能有效整合分散的研究成果。

核心观点三：四类技术挑战亟待突破 作者系统总结了当前研究的瓶颈问题：（1）数据稀缺导致解释稳定性差，小样本下SHAP分析可能产生矛盾结果；（2）时序特性表征不足，现有方法难以解析载荷历史的动态累积效应；（3）物理解释验证缺失，多数研究仅停留在统计关联层面；（4）解释-优化闭环未建立，特征重要性分析未反馈至模型改进。这些结论基于实证分析：如文献[68]显示不同数据子集的特征重要性排序差异可达40%，而文献[75]指出时序注意力机制能部分缓解动态损伤表征难题。

核心观点四：未来发展的三大方向 针对上述挑战，作者提出前瞻性建议：（1）开发小样本稳健解释技术，如迁移学习辅助的元建模；（2）设计时序专用方法，例如结合时间卷积网络与动态SHAP分析；（3）构建机理验证体系，通过原位实验验证统计解释的物理真实性。特别强调需建立”解释-验证-优化”闭环，例如通过SHAP值指导物理约束项的动态调整。这些建议参考了跨学科进展：计算机视觉领域的注意力机制[48]、材料科学的原位表征技术[3]，以及多尺度建模方法[85]。

学术价值与实践意义 本文首次系统构建了金属疲劳预测领域的XAI方法论体系，其提出的二分法为后续研究提供了清晰框架。通过揭示”预测-解释”权衡关系（如复杂模型与可解释性的矛盾），为工程实践中的模型选择提供依据。文中引证的32个应用案例（如航空航天材料[7]、增材制造合金[92]）证明XAI能提升工业场景下的模型可信度。作者特别指出，未来需发展”知识-数据”双驱动模型，这对实现疲劳预测从经验公式到机理模型的跨越具有指导意义。

本文的突出贡献在于：首次对疲劳领域的XAI研究进行系统分类；提出量化的解释效果评估指标（如SHAP值稳定性系数）；指出物理验证是解释可靠性的关键。这些观点为可解释机器学习在工程力学中的应用奠定了理论基础，对促进人工智能与传统力学的深度融合具有重要参考价值。