第1章  绪论
  1.1  引言
  1.2  机器学习简介
  1.3  机器学习在固体力学研究中的应用
    1.3.1  多尺度模拟
    1.3.2  断裂行为分析
    1.3.3  疲劳寿命预测
    1.3.4  结构分析
  1.4  章节安排
  参考文献
第2章  机器学习算法及流程简介
  2.1  基本算法简介
    2.1.1  基本监督学习算法
    2.1.2  神经网络与深度学习
  2.2  机器学习流程
    2.2.1  数据准备
    2.2.2  模型建立
    2.2.3  模型评估
  2.3  本章小结
  参考文献
第3章  基于机器学习的多尺度塑性力学分析
  3.1  基于机器学习的原子模拟
    3.1.1  深度学习势函数的构建
    3.1.2  基于深度学习势探究合金化学有序强化机理
  3.2  基于机器学习的离散位错动力学模拟
    3.2.1  基于机器学习的单晶微柱离散位错动力学模拟
    3.2.2  预测结果与讨论
  3.3  基于机器学习的晶体塑性有限元分析
    3.3.1  基于机器学习的晶体塑性参数确定模型
    3.3.2  结果与讨论
  3.4  基于机器学习的本构模型研究
    3.4.1  基于机器学习的应变率-温度耦合本构模型
    3.4.2  基于机器学习的屈服面函数构造
  3.5  本章小结
  参考文献
第4章  基于机器学习的材料断裂行为研究
  4.1  裂纹源预测
    4.1.1  镁合金中晶界损伤形核预测
    4.1.2  增材钛合金的裂纹萌生源辨识
  4.2  裂纹扩展行为研究
    4.2.1  短裂纹扩展速率预测
    4.2.2  裂纹扩展路径预测
  4.3  断裂强度和断裂韧性研究
    4.3.1  断裂强度预测
    4.3.2  断裂韧性预测
  4.4  本章小结
  参考文献
第5章  基于机器学习的材料疲劳寿命预测
  5.1  基于神经网络的多轴疲劳寿命预测
    5.1.1  基于全连接神经网络的疲劳寿命预测模型
    5.1.2  基于长短期记忆网络的多轴疲劳寿命预测模型
    5.1.3  预测结果与讨论
  5.2  基于自注意力机制的复杂疲劳寿命预测
    5.2.1  自注意力机器学习方法
    5.2.2  预测结果与讨论
  5.3  基于机理驱动的机器学习疲劳寿命预测
    5.3.1  机理驱动的机器学习方法
    5.3.2  预测结果与讨论
  5.4  基于领域知识引导符号回归的增材制造金属疲劳寿命预测
    5.4.1  数据集建立
    5.4.2  领域知识引导的符号回归模型
    5.4.3  预测结果与讨论
  5.5  本章小结
  参考文献
第6章  基于机器学习的固体结构分析
  6.1  基于机器学习的固体结构变形分析
    6.1.1  基于机器学习的复合材料工艺诱导变形预测
    6.1.2  基于深度学习的加筋板三维变形预测
    6.1.3  基于机理驱动机器学习的梁屈曲预测
  6.2  基于机器学习的工程结构疲劳分析
    6.2.1  基于深度学习的激光粉末床融合AlSi10Mg缺口试样疲劳寿命预测
    6.2.2  基于随机森林的薄膜弯曲疲劳寿命预测
    6.2.3  基于机器学习的高强度螺栓疲劳寿命分析
  6.3  基于机器学习的工程结构断裂分析
    6.3.1  基于数字图像处理和机器学习的混凝土裂纹扩展预测
    6.3.2  基于机器学习的金属结构疲劳裂纹扩展检测
    6.3.3  融合机器学习和断裂力学的钢结构断裂自动化评估
  6.4  本章小结
  参考文献