材料载荷作用下的变形、疲劳与断裂是轨道交通、航空航天、土木工程等领域的关键问题。传统的失效预测主要依靠本构理论、断裂力学和数值模拟。但随着工程结构日趋复杂、服役环境更加恶劣，多尺度结构特征、材料非均匀性和随机载荷工况的影响大幅增强，传统方法面临新的挑战：高保真模拟计算成本高、周期长，难以支撑快速迭代和全寿命评估；复杂工况下的机理模型难以涵盖所有影响因素，工程应用对快速可靠的预测工具需求日益迫切。 此矛盾的根源在于力学问题的"机理复杂"与工程数据的"日益丰富"形成了结构性变化。一上，传感监测、无损检测和材料表征技术不断进步，实验与工程数据规模快速增长；另一方面，单纯的经验拟合难以保证泛化能力，单纯的物理模型又面临建模困难、计算效率低等问题。如何遵循物理规律的前提下有效利用数据、提高预测效率，成为智能力学与工程计算的重要课题。 康国政团队的这部专著围绕固体材料变形与失效分析的核心难题，系统阐释机器学习在数据驱动建模、快速预测、参数识别和不确定性处理中的方法与实现路径。该书强调通过数据挖掘提升计算效率，通过物理约束增强结果可信度，反映了该领域从"单一模型主导"向"数据与物理融合"发展的趋势。 中文版本由科学出版社先行出版，面向国内学术界和工业界介绍交叉前沿进展。随后推出的英文版在此基础上融合国内外最新研究进行了调整完善，以更具国际可读性体系与案例呈现该领域的方法框架与工程应用实践。 推动力学与工程学科的智能化升级需要在三个上持续推进：首先——强化基础理论与方法论建设——推动机器学习模型与力学机理深度耦合，避免"黑箱化"带来的可解释性不足与工程风险；其次，完善数据体系与评价标准，提升数据质量、可追溯性与共享效率，促进跨机构、跨行业的对比验证；再次，夯实人才培养与学科交叉，形成"理论—算法—实验—工程应用"贯通的培养链条。该专著的出版为力学、机械、土木、航空航天等有关专业的教学与科研提供了参考，也为工程技术人员开展结构健康监测、寿命预测与失效诊断提供了方法借鉴。 随着算力条件改善、工程数据持续积累和多源信息融合技术进步，机器学习在材料与结构失效分析中的应用将继续从"辅助工具"演进为"协同设计与决策"。未来发展有望聚焦三个方向：面向工程安全的可靠性学习与风险评估，提升极端条件下的稳健性；面向新材料与新结构的快速筛选与性能预测，缩短研发周期；面向重大工程的全寿命数字化管理，实现从设计、制造到运维的闭环优化。
西南交通大学此成果的发布表明了我国高校学科交叉融合和科技创新上的探索。将传统工程学科与现代数据科学相结合既是学科发展的必然趋势，也是提升我国科技竞争力的重要途径。该著作的国际出版与学术传播展现了中国学者在该领域的研究水平，为全球工程科学界贡献了中国的研究成果。这种开放的学术态度和创新融合的研究范式将激励更多学者投身学科交叉研究，推动工程科学向更高层次发展。