《Applied Sciences》：Fatigue Crack Growth in Additively Manufactured and Advanced Alloys: From Synchrotron Imaging to Physics-Informed Digital Twins
结构合金中疲劳裂纹扩展的预测需要连接跨越巨大尺度差异的过程，从纳米尺度的晶体滑移直至整个部件的失效。工程评估仍严重依赖诸如Paris、Walker和NASGRO等唯象模型。尽管这些模型具有实用价值，但在多轴加载、微观结构局部变化显著的场合以及多种损伤机制同时作用的恶劣环境中，其局限性便凸显出来。本文综述了三个相互关联领域的最新研究进展：高分辨率原位表征、多物理损伤力学以及物理信息数据驱动建模。文中首先讨论了实时三维及四维（即时域分辨三维）同步辐射X射线显微断层扫描、高分辨率数字图像相关（digital image correlation, DIC）以及电子背散射衍射（electron backscatter diffraction, EBSD）的最新进展。这些技术使研究人员能够观测裂纹尖端屏蔽效应、局部塑性变形以及裂纹与晶界之间的交互作用。随后，论文考察了影响新兴材料系统裂纹扩展行为的各类因素，涵盖增材制造合金的各向异性、残余应力和缺陷诱导开裂，以及氢辅助、腐蚀和热机械疲劳。通过对比表格与示意图，将竞争机制、测量技术及建模方法并列呈现，以便于比较。本文采取叙述性综述形式，而非遵循系统性综述方案。由于纯经验性的“黑箱”模型外推性能差且难以获得认证，研究特别关注物理信息机器学习，包括物理信息神经网络（physics-informed neural networks, PINNs）以及神经算子（如深度算子网络DeepONet和傅里叶神经算子Fourier neural operators, FNO）。此类方法将断裂力学约束（如应力强度因子范围阈值ΔKth、路径无关J积分以及能量平衡）嵌入损失函数或模型架构之中。最后，论文探讨了如何将这些模型集成至实时结构健康监测（structural health monitoring, SHM）系统之中，提出了面向疲劳裂纹扩展的数字孪生研究路线图，并指出现有基准数据集的空白以及概率力学可在未来合金制造中作出贡献的领域。
1. 引言 (Introduction)
疲劳仍是航空航天、能源、交通及生物医学工程等领域在役金属结构发生失效的首要原因。损伤容限设计假定结构内部已存在裂纹或类裂纹缺陷，因此核心工程问题在于部件在裂纹达到临界尺寸前可安全运行多久。疲劳裂纹扩展（fatigue crack growth, FCG）预测依赖于线性弹性断裂力学（linear elastic fracture mechanics, LEFM），其稳态扩展规律由Paris与Erdogan建立，即裂纹扩展速率da/dN与应力强度因子范围ΔK的幂律关系。此后，研究者通过引入应力比效应、裂纹闭合、阈值区以及失稳前的加速扩展等机制，对该基本定律进行了多维度拓展。NASGRO方程及Forman–Mettu族方程已被纳入工业软件，ASTM E647标准则规定了相应的测试规范。然而，对于长裂纹、均匀合金及近似恒幅单轴加载工况，上述经典方法表现良好，但在四类情形下可靠性下降：其一，微观结构短裂纹因裂纹前缘几何、晶粒取向及滑移带活动破坏连续性相似性；其二，复杂载荷包括混合模式、多轴及变幅历史（如过载与欠载序列）；其三，非传统材料，尤其是具有工艺诱导孔隙、未熔合缺陷、柱状晶及残余应力的增材制造（additively manufactured, AM）合金；其四，氢、高温及腐蚀介质等极端环境使化学与扩散过程介入力学响应。
当前，两大技术进展正在重塑该领域：同步辐射三维（3D）与四维（4D，即时域分辨3D）成像以及高分辨率数字图像相关（high-resolution digital image correlation, HR-DIC）已能在近微米分辨率下解析块体试样内部的裂纹前缘形状、应变场及微观结构交互作用；与此同时，科学机器学习（scientific machine learning, ML）使得将控制物理直接嵌入学习算法成为可能。近年来FCG研究已开始应用这些思想，例如将Paris律嵌入神经网络、构建基于模拟裂纹路径库的代理模型以预测裂纹演化与剩余寿命，以及结合动态贝叶斯网络与粒子滤波在数字孪生环境中进行验证。然而，多数研究局限于试样级或简单板件、单一合金及恒幅加载，证据的泛化性有限。本文提出将FCG建模构建为闭环：测量反馈物理模型，学习方法加速并拓展模型，监测数据在服役期间保持预测持续更新。
1.1 范围与现有综述的关系 (Scope and Relation to Existing Reviews)
现有综述已分别涵盖疲劳机理、裂纹闭合、断层成像、AM疲劳、氢脆、物理信息学习、神经网络疲劳建模及数字孪生等主题，但鲜有将它们整合于统一框架之内。本文作为叙述性综述而非系统性综述，代表性而非穷尽性地整合上述脉络，提出三层分类法：A层原位观测提供真值，B层机理与多物理场提供物理内涵，C层物理信息预测与孪生充当预测引擎，各层间信息双向流动。
1.2 综述方法与范围 (Review Approach and Scope)
本综述属于叙述性综合，未采用正式筛选方案。检索范围围绕原位表征、增材制造、氢辅助疲劳、热机械疲劳、物理信息学习及数字孪生等核心方法，在Scopus、Web of Science、Google Scholar等数据库及预印本平台进行，并辅以引文回溯。纳入标准聚焦金属合金中FCG或其直接影响因素的定量化实验与建模证据；排除无关材料、无相关裂纹或微观结构信息的寿命预测、无关机器学习应用及无数据会议摘要。文献按方法与证据强度归类并进行定性比较。
1.3 贯穿三层的实例：数据流 (Worked Example: Data Flow Through the Three Layers)
为说明分类框架的可操作性，文章以热等静压（hot-isostatically pressed, HIP）激光粉末床熔融（laser powder-bed fusion, L-PBF）Ti-6Al-4V合金为例，展示从表征数据到结构寿命预测的完整数据流。A层通过X射线计算机断层扫描（computed tomography, CT）识别缺陷尺寸、形状及表面邻近度，利用电子背散射衍射（electron backscatter diffraction, EBSD）测量晶界间距、邻晶取向差及α/α′相形态，并借助衍射法获取残余应力；B层将缺陷等效为短裂纹并估算局部应力强度因子范围，对复杂几何采用分割CT图像生成的网格计算裂纹前缘的K或J积分，同时考虑残余应力对有效应力比的影响；C层利用有限元分析确定关键区域应力范围，结合缺陷统计分布应用B层准则评估各缺陷行为，并以训练好的物理信息神经网络或神经算子降低重复高保真计算成本，最终获得部件级应力–寿命曲线及带不确定性量化的寿命分布。当预测寿命方差最大或近表面缺陷群体表征最不充分时，触发新一轮CT或EBSD扫描，从而闭合实验–模型反馈环。
2. 经典FCG建模基础及其局限性 (Fundamentals and Limits of Classical FCG Modeling)
2.1 相似性假设及其失效 (Similitude and Its Breakdown)
Paris型定律假设在小尺度屈服条件下应力强度因子K（或ΔK）唯一表征裂纹尖端状态。多种因素削弱该假设：高应力比、薄截面或当塑性区尺寸达到微观结构特征时，小尺度屈服不再成立；塑性、氧化物及粗糙度诱导的裂纹闭合、裂纹偏转、桥联及微裂纹等屏蔽效应使有效驱动力低于施加值，许多修正采用ΔK
eff = K
max ? K
op替代ΔK，其中K
op为裂纹张开应力强度因子；短裂纹异常则表现为裂纹扩展速率高于长裂纹外推值，且可在低于ΔK
th的区间内扩展，因闭合尚未充分建立。
2.2 阈值与Kitagawa–Takahashi图 (Threshold and the Kitagawa–Takahashi Diagram)
Kitagawa–Takahashi图通过本征阈值将疲劳极限Δσ
e关联，El Haddad修正引入特征长度建立光滑试样疲劳极限与长裂纹阈值之间的关系。缺陷容限设计依赖此形式体系，Murakami的√area参数将其拓展至夹杂与孔隙，成为评判AM疲劳性能的重要工具。
2.3 弹塑性与能量准则 (Elastic-Plastic and Energy-Based Measures)
当塑性区不再contained时，ΔK由循环J积分范围ΔJ或裂纹尖端张开位移（crack-tip opening displacement, CTOD）补充或替代。路径无关J积分作为守恒能量通量，物理意义明确且可作为可微约束嵌入学习框架，其定义涉及应变能密度、牵引力矢量及位移梯度沿闭合围线的积分。Newman–Raju闭式解为三维表面及角裂纹工程工具提供支撑，而载荷序列效应则通过基于闭合的带状屈服模型与延迟模型处理。
2.4 经典模型总结 (Summary of Classical Models)
经典FCG模型分别处理应力比效应、裂纹闭合、过载及缺陷敏感性，但在短裂纹、复杂载荷、非均质材料及极端环境下的适用性受限。
3. 跨尺度原位实验力学 (In Situ Experimental Mechanics Across Scales)
3.1 同步辐射X射线计算机断层扫描(SXCT)与四维成像 (Synchrotron X-Ray Computed Tomography (SXCT) and 4D Imaging)
同步辐射光源提供高通量部分相干X射线，可实现金属快速高分辨率断层成像。吸收衬度分辨孔隙与裂纹，相位衬度模式（传播相位、光栅干涉）对微小裂纹开口及低衬度特征更为敏感。4D实验在连续载荷或循环增量下对同一裂纹成像，揭示非自相似裂纹前缘、晶界处的钉扎与分叉、试样内部闭合接触以及裂纹与既有缺陷的交互作用，尤其在AM材料中至关重要。与衍射对比断层成像（diffraction contrast tomography, DCT）或三维X射线衍射（three-dimensional X-ray diffraction, 3DXRD）联用，可将裂纹路径与晶粒图及取向无损关联。实践约束包括分辨率与视场的权衡、辐射对材料性能的潜在改变、扫描时间与裂纹前缘移动速度的匹配，以及高密度合金对试样尺寸的限制，许多研究采用准原位方式中断循环进行扫描，但保载与松弛效应可能改变裂纹前缘的视在形态。
3.2 图像到力学 workflows (Image-to-Mechanics Workflows)
从断层图像提取力学量需多步流程：首先从噪声重建中分割裂纹体积，increasingly采用卷积或U-Net式网络；随后参数化裂纹前缘并计算局部扩展速率；进而将图像关联至局部驱动力，途径包括直接基于分割几何的有限元建模（image-based modeling）与数字体积相关（digital volume correlation, DVC），后者给出块体位移与应变场；最终提取裂纹前缘局部K、J或裂纹张开位移（crack opening displacement, COD）分布。DVC要求材料提供类散斑自然标记，多数合金依赖析出相或微观组织本身，其应变分辨率通常粗于表面DIC。
3.3 高分辨率数字图像相关(HR-DIC) (High-Resolution DIC (HR-DIC))
HR-DIC在扫描电子显微镜（scanning electron microscope, SEM）或光学显微镜下以细观散斑场实现表面亚晶分辨率应变映射。疲劳研究借此捕获滑移带局部化及邻晶应变分配、裂纹尖端塑性区与近尖应变场、裂纹尖端张开与滑移位移（可用于实验估计SIF，如拟合Williams级数），以及裂纹路径与晶界的相对关系。将应变图与EBSD数据配准后，可将各局部化变形区域对应到具体晶体取向，进而计算该晶界处的Schmid因子、滑移传递参数及Luster–Morris m′相容性参数。其局限在于仅能测量表面，存在平面应力偏置且受氧化与表面效应影响，表面行为对内部的代表性未明，这正是将HR-DIC与SXCT结合成为优先方向的原因。
3.4 EBSD、HR-EBSD与衍射方法 (EBSD, HR-EBSD, and Diffraction Methods)
EBSD提供晶体取向、晶界特征及织构信息；高分辨率EBSD（high-resolution EBSD, HR-EBSD）通过衍射图样的互相关分析，量化裂纹与缺陷周围的弹性应变及几何必需位错（geometrically necessary dislocation, GND）密度。因两者均为表面技术，块体信息须借助衍射方法：同步辐射3DXRD与高能衍射显微学（high-energy diffraction microscopy, HEDM）测量块体内晶格应变与晶粒级应力状态，是AM及焊接件残余应力测量的标准方法；中子衍射穿透更深，适用于大型部件及厚截面残余应力分布测量。
3.5 多模态集成与配准 (Multimodal Integration and Registration)
实际难点往往不在于单一方法，而在于跨模态与跨尺度数据配准。典型流程组合SXCT（块体裂纹几何）、DCT/HEDM（晶粒取向）、HR-DIC（表面应变）及有限元或晶体塑性模型。目前缺乏标准配准协议与开放数据集，制约了学习方法的进展。各方法回答不同问题，SXCT显示块体内部裂纹随时间演化，HR-DIC与EBSD补充表面应变与晶体结构，DVC估计块体位移场但分辨率较粗。模型验证面临配准不确定度、空间分辨率有限及实验间载荷历史不匹配等挑战。
4. 微观结构与力学机制调控 (Microstructural and Mechanistic Governance of FCG)
4.1 裂纹尖端塑性与滑移 (Crack-Tip Plasticity and Slip)
近阈值区裂纹扩展受晶体学滑移控制。裂纹初期沿有利取向滑移面扩展（Stage I），随后转为大致垂直于载荷方向（Stage II）。原位观测一致表明，前缘局部推进速率取决于晶界两侧的扭转与倾斜取向差及滑移能否穿越晶界。局部延迟与止裂源于晶界阻力、钛合金中的微织构区域及α/β片层等相形态。
4.2 屏蔽与闭合 (Shielding and Closure)
不同屏蔽机制（塑性、粗糙度及氧化物诱导）的诱发条件与原位表现各异。4D成像直接捕捉内部接触模式，有助于解释为何基于柔量的闭合测量经常不一致。
4.3 短裂纹与微观结构短裂纹行为 (Short-Crack and Microstructurally Small-Crack Behavior)
当裂纹尺寸与晶粒相当时，扩展速率可相差数个数量级，且可能止于晶界。此阶段统计处理不可避免，需通过概率晶粒取向分布或Monte Carlo微观组织实现进行描述，也是确定性Paris型关联最不可信、基于原位数据校准的物理模拟最具价值的区间。
4.4 建模桥梁：晶体塑性、相场与富集有限元方法 (Modeling Bridges)
晶体塑性有限元（crystal plasticity finite element, CPFE）结合疲劳指示参数（fatigue indicator parameters, FIPs）预测裂纹萌生位置及小裂纹驱动力，对HR-DIC与HEDM数据的校准显著提升了预测能力。相场断裂方法无需显式追踪裂纹即可处理形核、分叉与路径选择，通过退化函数与循环相关能量项拓展至疲劳，但疲劳退化律选取及高周模拟成本仍是难点。扩展有限元（extended finite element method, XFEM）与iner-zone模型分别以富集函数和界面单元表征离散裂纹；离散位错塑性可在亚微米尺度探测裂纹尖端塑性，但仅适用于小域。上述输出不可直接互换，任何预测性声明均依赖校准与独立验证，跨尺度验证仍是关键需求。
5. 新兴材料与极端环境 (Emerging Materials and Extreme Environments)
5.1 增材制造(AM)合金 (Additively Manufactured (AM) Alloys)
AM金属（L-PBF、定向能量沉积（directed energy deposition, DED）、电子束熔融（electron beam melting, EBM）；Ti-6Al-4V、镍基高温合金、不锈钢、铝合金）表现出经典疲劳模型未曾设计的行为。五项特征最为重要：缺陷（气孔、未熔合、缩孔）决定疲劳寿命主要取决于尺寸、形状及距表面距离，Murakami型与Kitagawa–Takahashi型分析被广泛用于此，断层成像使三维缺陷评估成为可能；各向异性源于柱状前β或γ晶粒及强织构，使FCG依赖构建方向，阈值与裂纹路径迂回度均不同；残余应力因热循环形成陡峭梯度，近表面残余应力（压或拉）改变有效应力比，未修正将严重扭曲FCG数据，衍射为标准测量手段；微观结构层级方面，增材制造Ti-6Al-4V含马氏体α′，不锈钢形成细胞亚结构，后续热处理将α′转变为片层α+β，均影响裂纹偏转与屏蔽；表面状态方面，原始粗糙度等效于小缺口群，机加工与原始表面间的疲劳差距常大于材料间差距。工艺–结构–缺陷–性能链表明，工艺参数固定热历史，进而同时决定微观结构、缺陷群体及残余应力场，三者共同作用于疲劳：最大近表面缺陷通常引发裂纹，残余应力改变局部ΔK，微观结构则决定阈值与裂纹路径迂回度。因此，缺陷尺寸、位置及残余应力应作为实测工艺相关输入（先验）纳入模型，而非事后拟合单一离散因子；后处理（去应力、HIP、机加工）对三者的改变程度不均，HIP闭合内部孔隙并释放残余应力但可能残留近表面缺陷，寿命增益由残余缺陷控制。
5.2 氢辅助疲劳开裂(HAFC) (Hydrogen-Assisted Fatigue Cracking (HAFC))
氢在钢、镍基合金、钛合金及铝合金中加速FCG，对氢经济基础设施（管道、储容器、涡轮）至关重要。已提出多种机制且常共同作用：氢致解离（hydrogen-enhanced decohesion, HEDE）降低晶格与界面内聚能；氢致局部塑性（hydrogen-enhanced localized plasticity, HELP）增加位错迁移率并局部化应变；吸附诱导位错发射（adsorption-induced dislocation emission, AIDE）及可形成氢化物体系中的氢化物生成；氢–空位相互作用稳定空位团。近期对镍–钴合金与管线钢的研究表明，这些机制跨合金体系运作：前者氢促进纳米孔洞形核并由此引发裂纹萌生与扩展，后者考察输气工况下氢对疲劳寿命与失效的影响。氢传输与陷阱受裂纹尖端应力场控制，局部浓度反映晶格扩散、位错/晶界/碳化物/界面陷阱处的应力辅助扩散。原子探针已开始直接成像陷阱位点处的氢。FCG速率对应力频率、应力比、氢压或充氢条件及温度高度敏感，在易感钢中可超出惰性环境速率一个数量级以上。由于过程依赖时间，FCG律需循环与时间相关表述，或叠加或关联氢浓度。在裂纹尖端原位观察氢仍极困难，多数证据为间接的：断口显示准解理或沿晶特征，以及扩散–力学耦合模拟。
5.3 热机械疲劳(TMF) (Thermal-Mechanical Fatigue (TMF))
TMF将循环温度与机械应变耦合，二者可同相、反相或其他相位偏移，见于涡轮叶片、排气部件及核动力设备。四方面最重要：机理交互，疲劳、蠕变与氧化共同起作用，相位决定主导机制，同相循环倾向蠕变–疲劳损伤，反相循环倾向氧化辅助开裂；氧化辅助开裂中，脆性氧化物在裂纹尖端形成并在加载时低温断裂；微观结构演化，强化析出相粗化（如镍基合金中的γ′），以及动态应变老化与相变；建模空白，时间相关参数如C*或C
t型蠕变裂纹扩展积分与疲劳项结合，或加性或交互项，标定繁琐且结果迁移性差。对于AM钛合金，原始α′组织、残余应力与缺陷群体均随温度变化，激光粉末床钛的高温疲劳行为是解读TMF结果的前提：等温高温数据定义单机制基线，同相或反相循环下的偏离量衡量耦合附加损伤。在所综述文献中，未发现AM钛合金在TMF下的原位裂纹成像或扩展数据，此为开放空白。
5.4 腐蚀疲劳(CF) (Corrosion Fatigue (CF))
腐蚀疲劳是服役钢结构的常见环境退化模式（管道、海洋平台、桥梁），其机理不同于HAFC：后者由裂纹前方氢的吸收、扩散与陷阱控制，前者由电化学过程控制，包括整体金属损耗、点蚀形核与长大及点蚀向裂纹的转化。两者可重叠，因点蚀或裂纹内化学可自身产氢，但将二者视为同一机制的模型将遗漏点蚀–裂纹阶段。通常分三阶段：点蚀形核与长大；点蚀–裂纹转化，点蚀视为初始缺陷，其尺寸与形状设定局部应力集中，并通过Kitagawa–Takahashi型论证判断应力幅是否足以起裂，转化常表述为点蚀扩展与裂纹扩展的竞争，一旦裂纹尖端应力强度因子范围超过阈值且裂纹扩展快于点蚀加深，裂纹即接管；裂纹建立后，扩展速率常描述为惰性环境机械项加时间相关环境项之和，与氢的叠加思路一致。小裂纹增添复杂性，因环境辅助小裂纹可在长裂纹阈值以下扩展。对钢而言，腐蚀状态随空间与时间变化，单一Paris常数不足。近期物理信息工作通过Bayesian优化将Paris律拓展以腐蚀程度与应力比项，或将律嵌入网络用于腐蚀疲劳预测，但均停留于试样级。
5.5 跨尺度多物理场视角 (Cross-Cutting Multi-Physics View)
单一状态变量无法描述跨AM、氢辅助开裂、腐蚀疲劳与TMF的响应。缺陷群体、残余应力、氢传输、点蚀几何、氧化及时间相关变形均发挥作用，何者主导取决于条件。比较在此为定性：某一合金、载荷体系或环境中鉴定的机理或参数，未经在另一条件下验证不应假定成立。
6. 面向FCG的物理信息机器学习 (Physics-Informed Machine Learning for FCG)
6.1 纯数据驱动ML的局限 (Limitations of Purely Data-Driven ML)
随机森林、梯度提升、前馈网络及长短期记忆（long short-term memory, LSTM）网络等纯数据驱动ML模型能良好拟合现有FCG与疲劳数据集，但其弱点同样明显：在训练数据未涵盖的材料、载荷与环境范围内外推性能差；可能产生非单调甚至负的裂纹扩展、违反阈值行为、与ΔK标度不一致等物理不一致；FCG数据库小且噪声大，试验方案各异；黑箱模型难以通过安全关键应用的认证壁垒。物理信息机器学习（physics-informed machine learning, PIML）通过约束方程、对称性与断裂力学原理应对这些问题。
6.2 物理信息策略分类 (Taxonomy of Physics-Informed Strategies)
物理信息策略包括：物理信息损失（软约束），将偏微分方程（partial differential equation, PDE）残差、边界条件与物理不等式加入损失；架构约束（硬约束），将单调性、正定性或守恒性质内置于网络；混合/灰箱模型，在机理模型（如Paris/NASGRO型律或裂纹闭合模型）中嵌入ML修正项，如学习闭合函数；算子学习，学习函数空间之间的映射，如从载荷与几何到应力或位移场；物理引导特征与迁移学习，将ΔK、ΔK
eff及微观结构描述符等物理量作为输入。
6.3 断裂PINN (Physics-Informed Neural Network for Fracture)
在断裂力学中，PINN本质上是学习裂纹体行为函数逼近器。输入可为时空坐标或控制问题的参数（ΔK、应力比R、温度T、加载频率f、微观结构描述符），网络将输入映射到位移场u、应力σ、损伤变量d或裂纹扩展速率da/dN等输出量。与传统数据驱动网络不同，PINN训练设为多目标优化问题，网络在多种情形下受罚：不满足控制微分方程（平衡、本构关系）；违反边界与牵引条件（包括无牵引裂纹面）；突破断裂力学准则；偏离实测实验数据。这些要求组合为复合损失函数，每项乘以自适应权重λ
i，因各项量级与难度不同，需随优化过程调整以避免单项主导。总标量损失驱动网络参数θ更新。
断裂专用损失收集以下项：SIF约束，网络须匹配解析已知的近尖√r位移场，或采用Williams展开函数富集以精确表征奇异行为；J积分一致性，惩罚沿多条围线J积分的路径依赖性，因J对弹性域与裂纹尖端的路径无关性可作为直接物理不一致性度量与正则化；能量平衡，应变能释放率须与外载功及耗散一致；阈值与单调性约束，da/dN → 0当ΔK → ΔK
th，且稳定区da/dN随ΔK单调增。变分、能量型表述（包括相场版本与深能量法）避免裂纹尖端的强形式奇异性，但最小化非凸能量引入新困难。迁移学习加速了相场断裂PINN训练，混合表述对非均质域有用。PINN亦反用于识别内部缺陷与材料属性。
断裂力学带来特有挑战：应力奇异与应变局部化使损失地形stiff，导致谱偏差与训练失败模式；损失项平衡delicate，需自适应权重或梯度归一化；运动或演化裂纹无法由简单网络处理，需区域分解、level-set表示或富集函数；计算成本高，单次前向问题训练远贵于有限元解。约束选择须适配问题：J积分路径无关性依赖本构假设与积分域，阈值与单调条件可随应力比、裂纹闭合、载荷历史、微观结构及环境变化，约束仅在其假设成立处施加，并须对照独立数据检验。
6.4 神经算子 (Neural Operators)
DeepONet采用branch–trunk架构，基于算子一致逼近定理，学习从输入函数（载荷史、几何编码、材料场）到输出场的映射。傅里叶神经算子（Fourier neural operators, FNO）在Fourier空间参数化积分核，实现规则网格上快速、分辨率无关推理。与FCG相关的应用包括：异构微观组织中应力、应变或损伤场演化的代理模型，以CPFE或相场数据训练；不同几何下裂纹前缘K或J的快速估计；通过学习更新算子加速逐周模拟。训练后这些模型推理极快，常比高保真有限元快数个数量级，且可跨输入函数泛化。主要缺点为需大量高保真训练集，对尖锐不连续与奇异场困难（谱偏差），不规则域性能有限。几何感知变体（学习变形FNO与基于网格图网络）仅部分解决这些问题。物理信息算子变体加入基于残差损失以降低数据需求。训练后快速推理本身不意味着方法从起点到终点高效或外推可靠，真实成本包括生成训练数据与训练模型，精度取决于数据对感兴趣案例的覆盖。对一般力学算子的基准结果不能直接解读为疲劳裂纹扩展模型性能，因后者涉及历史相关与环境敏感行为，基准很少捕捉。
6.5 混合与概率方法 (Hybrid and Probabilistic Approaches)
实践中混合模型最宜工程应用：物理骨架（Paris/NASGRO或裂纹闭合模型）加学习修正项（针对微观结构、环境或载荷序列）。概率层可多种加入：贝叶斯神经网络、深度集成与Monte Carlo（MC）dropout用于认知不确定性；数据稀缺时采用高斯过程（Gaussian process, GP）回归，提供校准预测方差；利用SXCT、DIC与SHM数据对物理模型参数进行Bayesian校准（Markov chain Monte Carlo, MCMC、变分推断）；保形预测（conformal prediction）对预测裂纹长度或剩余使用寿命（remaining useful life, RUL）提供分布无关覆盖保证。决策时助于区分偶然不确定性（微观结构与缺陷的固有变异）与认知不确定性（数据有限、模型形式误差）。Virkler数据集记录2024-T3铝合金中心裂纹试样68次等幅复制试验的裂纹长度对循环数，是随机FCG建模、Bayesian校准与数据驱动预测的通用测试案例，也是FCG离散性共享基准的最接近现有对应物。其评估学习代理的价值有限，因仅覆盖单一合金、单一几何、单一环境及等幅加载，检验离散性表示能力，但不检验向新材料、变幅载荷或恶劣环境的外推。
6.6 比较总结 (Comparative Summary)
文中对FCG建模主要范式进行了总结，依据所嵌入物理、所需数据、外推能力及主要弱点进行分类，属定性解读而非控制基准结果。黑箱模型需最多数据且物理保证最少；混合模型与PINN牺牲部分灵活性换取更大物理一致性；神经算子提供极快推理但依赖大量高保真训练数据；Bayesian与GP包装器为底层模型添加校准不确定性，并非独立模型类。由于性能取决于合金、载荷体系与训练数据，条目描述一般趋势，不应视为排名。
若干研究在公开数据集或标准基准问题上报告误差，允许首次定量解读。第一，分布内精度可高：简单几何SIF剖面相对L2误差几个百分点以下，K
I的R
2 ≥ 0.97，相场代理损伤场误差低于1%。第二，误差在更困难几何类（SIFBench中 countersunk hole 贯穿裂纹模型四个模型相对误差0.12–0.18，弯曲下直孔贯穿裂纹SVR高达0.9）及训练范围外查询（CrackMNIST紧凑拉伸试样、变分DeepONet未见裂纹尖端位置，误差强烈依赖训练样本数）时急剧上升。第三，表中物理信息变体迄今仅在脆性准静态相场问题上验证，两个疲劳导向数据集（SIFBench与CrackMNIST）迄今仅用数据驱动模型评估，与第8节所述缺乏共享基准一致。
表13c比较有限元分析、PINN与神经算子的相对精度与运行成本。三者成本分布不同：有限元无训练阶段，但每个新几何、裂纹长度或载荷案例需重新求解，且扩展裂纹需重划分网格或富集；PINN以训练替代网格，每个新问题需重复训练；神经算子将几乎全部成本移至离线阶段（生成有限元训练数据与训练网络），之后每个新查询成本极低。就分布内精度，PINN与算子可达几个百分点以下，但有限元仍是基准：在直接PINN–有限元对比研究中，有限元更精确且求解更快。运行成本是摊销问题：若代理推理成本可忽略，则在n个有限元解训练、训练时间等于m个有限元解后，代理在约n+m次查询后才比直接有限元便宜；三维裂纹前缘逐周扩展与数字孪生更新涉及极多次查询，这正是算子有吸引力的场景；单次设计校核则不然。迄今未在疲劳裂纹扩展问题上报告代理与有限元参考的匹配挂钟时间，故FCG定量成本比较尚不可能，这对第8节所述基准提出额外要求：精度与挂钟成本（含数据生成与训练）应相对于高效有限元基准报告。
文中采用1至5序数尺度进行综合评估：1分表示支持证据少，或方法对某准则不太适用；3分表示部分证据或证据限于特定问题；5分表示来自多个相关研究较强证据。评分是对所综述文献的定性解读，非基准计算结果，宜读作相对判断而非测量值。评分分两步进行：一位作者基于第6.1至6.5节所引研究提出每单元格评分，另一位作者独立对照相同来源核查。差异经讨论达成共识，未计算一致性统计量，故应读作有据可查的共同判断而非可复现测量。无单一建模方法在所有准则上最优：经典律在其定义适用域内仍高效有用；高保真力学模型提供详细空间信息但成本高昂；学习代理可加速推理，但仍需训练分布外行为更强证据及校准不确定性估计。
7. 面向疲劳裂纹扩展的数字孪生 (Toward Digital Twins for Fatigue Crack Growth)
7.1 概念与现状 (Concept and State of the Art)
数字孪生是针对特定物理资产的虚拟复制品，以该资产数据更新并用于预测行为与支持决策。FCG数字孪生须超越复现群体级寿命曲线，应追踪单个部件（或类裂纹缺陷）的裂纹状态，随新信息到达修正预测，并给出置信度。术语因学科而异：数字模型为不 routine 更新的离线表示；数字阴影为资产到模型的单向数据传输；数字孪生为资产专属、以资产数据更新并支持决策的模型。
7.2 参考架构 (Reference Architecture)
提出FCG数字孪生参考架构以集成传感器数据、物理建模、状态估计与预测，包含五层互联层：物理层，部件及其传感器（应变片、光纤布拉格光栅（fiber Bragg gratings）、基于光频域反射（optical frequency-domain reflectometry, OFDR）的分布式光纤传感、声发射、导波超声、涡流阵列、电位降，以及在可行时的DIC，以及运行载荷、温度与环境记录）；数据与同步层，数据采集与清洗、载荷谱重建（如rainflow计数）与特征提取；模型层，三部分：离线运行的高保真物理模型（有限元、XFEM、相场或CPFE），处理在线使用的快速代理（PINN、神经算子或混合模型，以高保真模型加原位实验数据训练）， assimilate SHM测量的损伤状态估计器（粒子滤波、扩展或无迹Kalman滤波或Bayesian更新）；预测与决策层，概率RUL、检验调度及基于风险的维护或载荷管理决策；反馈层，检测模型何时偏离现实并触发定向检验或新高保真模拟，在实验室中此步骤回环至第A层（同步辐射实验）。
7.3 数据同化与不确定性量化 (Data Assimilation and Uncertainty Quantification)
状态空间表述是自然选择，耦合过程模型（描述裂纹如何演化）与观测模型（描述裂纹如何测量）。应显式传播多种不确定性来源：载荷（载荷谱不确定性及rainflow计数近似）；测量（传感器噪声、检测概率（通过概率检测曲线，其给出裂纹尺寸检测机会）及尺寸误差）；材料（材料与微观结构变异，尤其AM部件缺陷群体）；模型（基础裂纹扩展律模型形式误差及代理近似误差）。顺序Monte Carlo（粒子滤波）处理非线性与非高斯噪声，可同时估计裂纹尺寸a
k与模型参数θ。更新不必连续运行，可由载荷块、检验或传感器事件触发，每次更新记录输入载荷、环境及传感器数据，修正裂纹状态估计及其不确定性，并将该不确定性前传至剩余寿命与检验决策，标记域外条件或模型漂移迹象。
7.4 实际考虑 (Practical Considerations)
感知限制：多数SHM技术仅在裂纹生长超过某尺寸后才能检测，对高周疲劳（high-cycle fatigue, HCF）与AM材料是严重限制，因早期小裂纹阶段常消耗大部分寿命，该阶段大部分未被观测，须从物理与缺陷统计推断（如原始CT扫描）。计算预算：机载或近实时运行对模型复杂度设限，倾向轻量级代理与可在边缘运行模型，而非全尺度模拟。验证、确认与认证：监管者可能要求对照独立可溯源试验数据的验证、文档化适用域及经证保守的不确定性界；物理约束代理比黑箱模型更易在此情境下辩护。数据治理与互操作：将数字孪生连接至制造记录（如AM构建参数与过程监测数据）可为初始缺陷状态提供更好的先验信息，遵循可查找、可访问、互操作、可重用（findable, accessible, interoperable, and reusable, FAIR）数据原则使数据更易于查找、共享与重用。
7.5 路线图 (Roadmap)
FCG数字孪生开发需分阶段推进：从经验证的物理信息代理到环境感知模型，最终达致资产专属数字孪生。建议里程碑、使能活动与预期时间表按阶段总结。
8. 关键空白与基准需求 (Critical Gaps and Benchmark Needs)
缺乏共享基准：社区尚无广泛采用的ML-based FCG基准（无论数据集或评估协议，包括外推检验、不确定性校准、域外材料与载荷案例）；没有它们，“superior accuracy”声明很少可比。数据集质量与元数据：FCG数据在试样几何、ΔK控制、闭合处理、环境及频率上各异，常缺微观结构或残余应力表征，需标准化元数据模式与FAIR数据实践。跨尺度验证：少数研究验证单一模型从晶粒级（微观）到部件级（宏观）的全尺度范围，两端均有测量。闭合实验–模型环：4D数据丰富，但仍主要用于事后解释结果，用于校准与验证的定量使用（包括Bayesian方法）仍不寻常。极端环境成像：氢、腐蚀介质、高温或热机械循环下的原位SXCT与DIC技术困难，研究稀少。变幅与多轴加载：多数PIML演示依赖等幅模式I数据，载荷历史效应（延迟、加速）与混合模式行为需更多关注。奇异问题上PINN训练与泛化：裂纹问题的稳健可复现训练配方（包括加权、富集与采样）仍在完善。不确定性量化可信度：许多ML论文仅报告点预测，UQ方法鲜经对照独立数据校准检验。小裂纹与缺陷统计集成：将原始CT缺陷分布直接输入概率FCG与数字孪生框架前景好但尚未常规化。
9. 未来方向 (Future Directions)
实验–在环活动：模型不确定性可引导实验本身，通过主动学习或Bayesian实验设计决定下一同步辐射扫描或载荷步。预训练基础式代理：在断裂场上广泛训练的代理可微调至特定合金，仅需小数据集，缓解每种新材料的数据负担。几何柔性神经算子：基于图、基于网格与隐式几何表述可处理真实部件几何与三维裂纹前缘，固定网格算子在此不足。耦合多物理场PIML：氢扩散–力学–断裂与热化学生等行为问题需求模型在全部耦合场中一致尊重守恒律。微观结构显式概率力学：统计代表性体积单元、缺陷群体模型与代理结合，使Monte Carlo分析在规模化下可负担。多保真度学习：廉价解析模型、有限元模拟与稀疏实验可合并入一个校准框架，各源按自身成本与精度层级贡献。可解释与符号发现：稀疏回归或符号回归施于原位数据，可产生紧凑、物理可解释的裂纹扩展律，替代不透明拟合模型。标准化：持久进步亦依赖社区基准、开放数据存储库及面向物理信息疲劳模型的报告规范，使不同团队结果可公平比较。
10. 结论 (Conclusions)
先进合金疲劳裂纹扩展预测正从关联型经验主义转向测量驱动、物理约束且概率化的方法。时域分辨同步辐射成像与高分辨率数字图像相关揭示了次表层及晶粒尺度机理，包括裂纹前缘非均匀性、屏蔽与滑移传递，经典相似性律将其平均化。这些机理在AM合金、含氢环境及热机械服役中更为关键，此时缺陷、残余应力、输运现象及时间相关损伤占据主导。物理信息学习提供将这些洞见规模化的途径。尊重断裂力学约束的PINN、神经算子与混合模型可加速模拟、使逆辨识成为可能，并在不确定性校准后支持风险 informed 决策。它们不替代机理理解或良好实验，其价值取决于对照独立数据的验证程度。数字孪生将这些要素集成为持续更新、资产专属且感知自身不确定性的模型，同化SHM数据，并通过定向高分辨率实验定期检验。达到该点较少依赖新网络架构，而更多依赖共享基准、高质量且标注良好的多模态数据集、严格不确定性量化及与认证当局的早期接洽。当前所述数字孪生架构仍属路线图，而非已认证能力。
