综述:机器学习与断裂力学的交汇:我们能学到什么?

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》:Machine Learning Meets Fracture Mechanics: What Can We Learn?

【字体: 大 中 小 】 时间:2026年03月08日 来源:ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING 12.9

编辑推荐:

  断裂力学作为固体力学的重要分支,在表征和理解天然及工程材料的裂纹与失效过程方面发挥了重要作用。随着第四范式——数据驱动/物理信息方法的出现,机器学习(Machine Learning, ML)为这一领域带来了变革性机遇。随着断裂力学界利用ML的研究呈指数级增长

  
断裂力学作为固体力学的重要分支,在表征和理解天然及工程材料的裂纹与失效过程方面发挥了重要作用。随着第四范式——数据驱动/物理信息方法的出现,机器学习(Machine Learning, ML)为这一领域带来了变革性机遇。随着断裂力学界利用ML的研究呈指数级增长,从数据集中"学习"复杂物理或建立映射关系的需求日益清晰。为此,本文对ML与断裂力学的交叉领域进行了系统性研究。首先,审视了关键ML算法,随后介绍了常用的计算方法。此外,文章深入综述了ML在断裂力学六个重要方面的应用。除了这些核心发现,本文还识别了尚未充分探索的研究方向并提供了可行建议。这篇适时的综述强调了ML方法推进断裂力学的潜力,为研究人员将ML技术融入其研究提供了实用指南,为断裂力学界的第四范式铺平了道路。
1 引言

裂纹与断裂过程无论发生在连续或离散系统中,都会显著影响材料和结构的功能与性能,涵盖航空航天、民用基础设施和生物力学等领域。机械失效的原因多种多样,包括环境因素、加载条件、运营期间的应力,以及设计和制造阶段引入的缺陷。一旦这些损伤和断裂过程在小尺度上发生,它们可能在局部或整个系统中表现出来,导致系统完整性和可加工性的潜在失效,最终造成重大经济损失和不利社会影响。

自上世纪初以来,工业革命的演变重塑了生产和生活方式。然而,传统挑战依然存在,包括经典方法(第一范式)对经验和半经验模型的依赖。纯经验模型无法直接外推到不同尺寸、加载速率或环境条件下的工程场景。因此,许多研究人员开始通过从实验和力学理论中提取普遍原则来破解断裂的"难题":断裂何时发生?断裂将在何处发生?多大程度的外力会导致断裂?另一方面,随着数据积累和数学工具的发展,数学模型在揭示普遍规律方面比重复实验更加高效。

在此背景下,断裂分析从经验科学向基于模型的理论科学(第二范式)发生了范式转变。A. A. Griffith于1913年引入了断裂力学的概念,解释了固体中的断裂和流动现象。Egon Orowan修正了Griffith理论,将其适用范围扩展到金属材料。20世纪40年代,G. R. Irwin形式化了裂纹扩展的关键方程,关于裂纹扩展和应力强度因子(Stress Intensity Factors, SIFs)的研究促进了航空航天和民用基础设施等领域更可靠的设计和评估方法。线弹性断裂力学(Linear Elastic Fracture Mechanics, LEFM)由此成为研究自然和工程系统中裂纹扩展的新学科。J. R. Rice提出的J积分提供了适用于非线性材料的路径无关的能量释放率度量。同时,J. W. Hutchinson和Rosengren建立了幂律硬化固体中裂纹尖端应力场和应变场的渐近解,即Hutchinson-Rice-Rosengren(HRR)解,它表征了静止裂纹前方弹塑性区的奇异结构,奠定了现代弹塑性断裂力学(Elastic-Plastic Fracture Mechanics, EPFM)分析的基础。

在理论发展的同时,自20世纪中期以来,模拟技术随着科学计算和量子技术的出现带来了范式转变(第三范式)。经典连续性方法(Classical Continuity Method, CCM)通常用于材料变形分析。有限元法(Finite Element Method, FEM)常用于求解固体和流体中的偏微分方程(Partial Differential Equations, PDEs)。断裂建模的重大进展来自A. Needleman和M. Ortiz发展的内聚区模型(Cohesive Zone Models, CZMs),该模型无需预设裂纹路径或依赖应力奇异性即可模拟裂纹的萌生和扩展。有限差分法(Finite-Difference Method, FDM)用有限差分近似导数以获得微分方程的数值解。尽管取得了实质性进展,基于连续性假设的传统理论在模拟断裂过程时仍面临一定限制。为缓解FEM的不足,扩展有限元法(Extended Finite Element Method, XFEM)被开发用于模拟各种不连续性的扩展。此外,相场法(Phase-Field Methods, PFMs)用PDE替代界面边界条件来描述相场的演化,从而模拟材料和结构中的裂纹演化,在一定程度上消除了FEM描述不连续性问题的缺陷。离散元法(Discrete Element Method, DEM)是模拟颗粒和不连续材料的实用方法。为应对这些问题,一类新型无网格方法被开发出来,例如光滑粒子流体动力学(Smoothed Particle Hydrodynamics, SPH),应用于流体动力学和特定固体力学场景。此外,近场动力学(Peridynamics, PD)受分子动力学(Molecular Dynamics, MD)启发,由Silling于2000年左右提出,可用于分析包括动态断裂、冲击穿透和爆炸失效在内的力学响应。

1.1 断裂力学的第四范式

机器学习(ML)的最新进展为断裂力学领域带来了曙光。ML已广泛应用于自然语言处理、计算机视觉、机器人控制和医学等领域。转向第四范式的转变对固体力学产生了重大影响,实现了构建复杂本构模型、结构材料优化设计以及提取未知力学参数等应用。在断裂力学中,ML方法可用于从横跨量子到宏观尺度的多模态数据集中提取隐藏模式,使用高通量实验和高保真模拟中的合成数据,是利用人工智能(AI)加速断裂问题代理建模的有前景方法,以克服计算密集型模拟与耗时实验之间的棘手权衡。

1.2 本综述的目的

ML已广泛应用于力学的不同领域,包括实验固体力学、加工制造和岩石力学。本综述聚焦于ML与断裂力学的结合。专注于ML辅助断裂力学,该领域的出版物数量显著增长,自2020年以来尤为明显,并因2024年AI获得诺贝尔物理学奖而进一步加速。因此,综述ML在断裂力学中应用的最新进展是及时且重要的。

鉴于ML在断裂力学中的爆炸性增长以及该领域缺乏系统性综述,本研究旨在提供专门针对断裂力学的ML技术的全面分类。为更好地将面向断裂的ML方法置于更广泛的AI-in-mechanics格局中,作者还将此分类与近期高级框架相关联,这些框架提供了将物理原理和数据驱动组件集成到力学中的一般视角。本综述中面向断裂的分类可视为这些更广泛概念的专门化实例,聚焦于如何将物理指导嵌入ML方法中,用于静态、疲劳和动态场景下的裂纹萌生、扩展和多尺度断裂行为。

1.3 大纲

综述分为六个部分。第2节回顾了断裂力学中的关键ML算法及相应应用场景。第3节介绍了计算断裂力学方法,重点是与各类ML算法的集成。第4节探讨了ML在断裂力学应用的最新重大进展,包括断裂性质识别、裂纹路径预测、疲劳断裂与寿命预测、动态断裂、小尺度测试和多尺度问题。第5节指出了应用ML于断裂力学的重要挑战,包括多模态和多保真数据集的处理、领域知识向ML框架的融入,以及断裂预测中的不确定性量化,并提供了可行建议。最后,第6节总结了结论。

2 断裂力学的ML框架

在ML与断裂力学的交叉点上,问题是如何应用先进的ML方法来建模和预测断裂行为。为此,介绍了这些ML方法的基本理论和潜在应用。

2.1 ML方法的简明分类

总体而言,ML方法分为三类:监督学习、无监督学习和强化学习(Reinforcement Learning, RL)。代表性监督方法包括线性回归、决策树、支持向量机(Support Vector Machines, SVM)、神经网络(Neural Networks, NNs)、随机森林(Random Forests, RF)等。其中,NNs代表多样化的算法家族,包括人工神经网络(Artificial Neural Networks, ANNs)、卷积神经网络(Convolutional Neural Networks, CNNs)、循环神经网络(Recurrent Neural Networks, RNNs)等。无监督方法中,降维和聚类等算法常用于基于相似性对数据点进行分组,无需标记数据即可发现数据中隐藏的模式和特征。此外,基于进化算法的数据驱动符号回归模型虽然常被视为监督学习的一种形式,但其本质上是旨在发现最适合数据的显式闭式表达式的优化问题。

除了基于知识获取范式的分类框架外,一种将物理知识与ML集成的新框架正在出现,特别适用于科学计算和工程应用。与高级框架相比,与断裂相关的ML方法可视为三个类别的专门化实例,聚焦于断裂过程。在断裂力学中,这些控制方程进一步扩展以考虑不连续性,其中应力和位移场变得奇异或不连续。ML可通过使用复杂的非线性映射关系来替代力学相关问题的数学表示。物理信息神经网络(Physics-Informed Neural Networks, PINNs)即为此类概念,由Karniadakis团队在布朗大学提出。根据数据集和获得的物理信息,ML方法可分为三类(除纯物理表示外):(I) 物理信息ML方法,将物理定律、PDE残差、守恒定律或经验规则通过损失函数、网络架构或数据处理嵌入ML中,以确保预测的物理一致性;(II) 基于物理的数据驱动方法,直接将基于物理的模型(PDE求解器、经验公式)与ML耦合,其中物理模型提供核心动力学机制,而ML优化参数、补偿偏差或调节过程以增强性能;(III) 纯数据驱动方法,仅在数据中的统计模式上训练模型,不集成任何物理定律。

2.2 无监督学习

第一类无监督学习是降维。主成分分析(Principal Component Analysis, PCA)从原始n维输入空间找到到新n维输出空间的线性投影,使数据方差损失最小。例如,PCA被应用于降低输入和输出空间的维度,从而增强模型以更低计算成本近似应力-应变映射的能力。此外,PCA用于将高维相场数据(代表裂纹扩展)降维到低维空间。聚类也是一种无监督ML技术,通过分组相似对象来识别数据集中的潜在模式。

2.3 监督学习

许多流行的监督学习算法包括决策树和SVM,可用于断裂预测,特别是在极端条件下。作为决策树的常见类型,集成学习算法已被用于捕捉输入与材料属性之间的复杂非线性关系。此外,RF模型用于预测不同爆破问题参数如何影响钢筋混凝土(Reinforced Concrete, RC)柱在爆破载荷下的位移。NN方面,多层感知器(Multilayer Perceptron, MLP)是ANN的基本类型。随着互联层数的增加,更深的网络可以激发其巨大潜力来模拟现实世界应用中的复杂层次数据集。

2.4 卷积神经网络

CNNs是设计用于分析视觉数据的深度学习(Deep Learning, DL)模型。在此阶段,CNNs已用于基于图像的力学问题的回归和分类。首先,CNNs广泛用于预测力学性质。更重要的是,CNNs可解决断裂相关问题。典型应用是使用CNN进行基于图像的裂纹检测。此外,CNN被用于基于实验数据和FEM模型预测动态断裂韧性和强度。CNNs的另一个重要应用是解决冲击问题。

2.5 循环神经网络

一般而言,开裂过程与时间序列预测密切相关。RNNs专为序列数据设计。长短期记忆(Long Short-Term Memory, LSTM)网络是RNN的一种,特别适合学习长期依赖关系并克服简单RNNs中的梯度消失问题。在断裂力学领域,RNNs,尤其是LSTMs,适用于时间依赖性断裂行为,如不同加载场景下的裂纹扩展。门控循环单元(Gated Recurrent Units, GRUs)是LSTM网络的简化版本,可以以高计算效率预测裂纹增长趋势和疲劳寿命。

2.6 图神经网络

图神经网络(Graph Neural Networks, GNNs)是一种设计用于处理图结构数据的独特ML方法,其中节点代表实体,边编码它们之间的关系。在断裂力学中,GNNs特别适用于数据涉及高度互联实体的问题,如预测具有复杂微观结构或潜在离散系统(如冲击破碎)中的裂纹扩展。例如,GNNs已被用于模拟无序结构材料中的断裂行为。

2.7 物理信息神经网络

PINNs将传统NNs与编码在PDEs中的物理定律相结合,这在数据稀疏或获取昂贵的情况下特别有用。迄今为止,PINNs已用于解决固体力学问题,包括力学性质识别、断裂性质识别和疲劳寿命预测等。尽管某些方法在线性问题中表现优异,但它们在具有奇异性的断裂相关问题中存在局限性。最近,Kolmogorov-Arnold Networks(KANs)的出现可以在一定程度上解决断裂过程中的强不连续性问题。

2.8 生成对抗网络

生成式AI最近取得了重大进展,包括扩散模型(Diffusion Models, DFs)、变分自编码器(Variational Autoencoders, VAEs)和生成对抗网络(GANs)。作为半监督方法,GANs由两个NNs组成:生成器生成合成数据,判别器评估生成数据的真实性。条件生成对抗网络(Conditional Generative Adutex Networks, cGANs)是GANs的扩展版本,在生成数据时添加约束和额外信息。

3 断裂力学的计算方法

计算建模已成为跨空间和时间尺度的高保真断裂数据的重要来源,从准静态条件到高应变率场景,补充有限的实验数据集,并实现物理测试不切实际的条件、几何和材料参数的系统探索。

3.1 有限元法

FEM是一种成熟的工程方法,已在Abaqus和LS-DYNA等商业软件中实现。它提供可靠的应力和位移场,但需要额外技术来处理不连续性,如CZMs、边界元法(Boundary Element Method, BEM)和XFEM。FEM数据非常适合涉及结构化网格的ML任务,但可解释性高度依赖于网格和富集策略。

3.2 相场法

PFMs通过连续内部变量正则化裂纹,使断裂自然涌现。相场变量φ的演化由包含力学响应和断裂能量的时间相关方程控制。PFM具有两个显著优势:首先,裂纹通过连续损伤变量的梯度隐式表示,无需重新网格化;其次,裂纹萌生、扩展和合并由系统能量泛函的最小化控制。

3.3 光滑粒子流体动力学

SPH是一种强大的无网格拉格朗日方法,广泛用于模拟复杂物理现象,特别是在流体动力学、固体力学和环境建模中。SPH的核心涉及将每个粒子位置的物理量近似为其邻近粒子性质的加权和。

3.4 分子动力学

MD是一种计算技术,用于模拟原子和分子的物理行为。MD计算密集,因为它需要以极小的时间步长(飞秒)和空间分辨率(埃)模拟每个原子,限制了其在实际应用中的使用。MD模拟使用牛顿力学模拟粒子相互作用,提供原子尺度物理过程的准确表示。

3.5 近场动力学

与MD相比,PD允许有限距离内点之间的相互作用,可根据感兴趣的尺度进行调整。PD的基本思想源自MD,使用积分方程而非微分方程。这一非局部框架特别适用于模拟材料和结构中的不连续性,如断裂。虽然键基近场动力学(Bond-Based Peridynamics, BBPD)模型可以直接实现,但它存在表面效应、泊松比和体积修正等局限性。

3.6 不同方法的比较

总之,FEM能有效捕捉大多数工程问题中的裂纹路径,但需要外部准则来模拟复杂断裂和高速冲击中的不连续位移。PFM适用于模拟各种结构中的裂纹演化,但标准模型在压缩和冲击条件下的混合模式断裂中存在困难。PD能准确再现静态和动态情况下的实验裂纹模式,表现出对复杂材料行为的强大能力。SPH在流体动力学和一些固体力学应用中表现良好,能有效处理大变形,但在模拟固体中的断裂和失效时仍受拉伸不稳定性困扰。

4 断裂力学中的ML应用

4.1 断裂性质识别的ML应用

在不同材料系统中,ML方法已广泛用于预测各种力学参数,如应力场、位移场等。在断裂力学中,几个驱动力参数包括能量释放率、SIFs和内聚参数。例如,研究人员提出了ML模型来预测沥青混凝土的能量释放率。近期进展表明,ML技术通过建模复杂微裂纹相互作用和失效行为,有效预测混凝土在静态、动态和冲击载荷下的无量纲SIFs。12种ML方法的比较研究表明,梯度提升和基于树的方法实现了最高精度(R2 > 0.99)。此外,识别内聚参数至关重要。研究人员首次提出了基于cGAN的模型,使用FEM模拟和真实实验数据作为输入来重建不完整的条纹数据。还有研究人员开发了ML框架,通过PFM断裂模拟预测微缺陷对断裂韧性的影响,其NN模型建立了微缺陷特征与断裂韧性之间的高保真相关性(R2 > 0.99)。

4.2 裂纹路径预测的ML应用

除断裂性质识别外,断裂力学中的另一个重要问题是裂纹萌生和扩展的预测。如第2节所述,RNNs可用于裂纹扩展预测,可与U-Net、LSTM、GNN、PINN和DeepONet等多种ML方法进一步集成。ML方法可以针对基于图像的数据表示进行定制,主要用于数据驱动方式。例如,为解决PFM模拟的高计算成本和降维方法泛化性差的问题,研究人员结合了降维(PCA)、序列预测(LSTM)和端到端架构(U-Net + LSTM)进行准确高效的预测。还有研究人员引入了两步cGAN方法:首先预测微观结构几何中的弹性应变能密度(Strain Energy Density, SED)场,然后从SED预测裂纹路径。作为物理集成方法,SED在几何与裂纹路径之间扮演中间变量角色。由于裂纹萌生和扩展过程是物理现象,将物理信息纳入ML模型是必要的。为此,研究人员提出了物理信息DL模型来预测任意材料微观结构在不同加载下的材料断裂模式,物理知识包括约束、微观结构图像和位移场。还有研究人员结合物理变分原理与DeepONet,在保持PFM裂纹路径预测精度的同时降低计算成本。

4.3 疲劳断裂与寿命的ML应用

疲劳失效是对功能结构可靠性和安全性的主要威胁。研究人员提出了用于疲劳分析的ML模型,特别是在循环载荷条件下。对于疲劳分析的第一个问题(裂纹萌生和扩展),除裂纹萌生和扩展的时间序列预测外,其他有效和替代指标揭示了这些物理现象,如疲劳裂纹增长率和裂纹尖端萌生。研究人员结合PD疲劳损伤建模与GRU来预测裂纹增长趋势和疲劳寿命,提出的PD-GRU模型能够准确预测疲劳裂纹扩展,计算效率显著提高,运行时间不到100秒,而传统方法需要数小时。对于第二个问题(疲劳寿命预测),存在三类预测方法:基于物理的方法、数据驱动的方法和混合方法。

4.4 动态断裂的ML应用

材料和结构在动态条件下表现出强非线性和率依赖特性,这对该独特场景中的ML预测提出了挑战。对于动态载荷下断裂响应的预测,研究人员提出了混合数据驱动ML框架,使用SVM分类装甲的穿透/非穿透行为,使用ANN预测穿透装甲的残余动能和非穿透装甲的残余变形。各种经验方程通常用作极端条件下实验结果的替代,ML可发挥重要作用。例如,研究人员构建了ANN预测模型,使用实验和数值模拟结果来预测圆柱形壳体装药的破片速度分布。由于预测微陨石和轨道碎片撞击的高度可变性和实验不确定性,以及将传统弹道极限方程(Ballistic Limit Equations, BLEs)应用于非球形和非铝制弹丸的困难,研究人员开发了二元分类模型来预测航天器防护板是否会被击穿。结果发现ML模型提供了与传统经验模型相当或更好的分类精度。

4.5 小尺度测试的ML应用

微观和纳米尺度的断裂行为与中观和宏观尺度有显著不同,这是由于尺度效应。ML可以辅助微观力学实验预测力学和断裂性质。MD可提供微观尺度的高保真模拟数据,ML同时支持该尺度的断裂表征。例如,研究人员使用LSTM层预测石墨烯中的开裂路径,数据集来自MD模拟,该模型不仅实现了高精度(约95%),而且能很好地泛化到具有不同石墨烯取向的新场景。界面断裂是小尺度层面的另一个重要领域。研究人员提出了CNN框架,使用MD模拟作为数据生成器,预测石墨烯/hBN界面的断裂应力和应变。

4.6 多尺度问题的ML应用

在多尺度建模中,ML方法可以利用经验数据而非完全基于解析的物理模型,即数据驱动本构模型,来有效捕捉和预测断裂过程中的复杂非线性行为。研究人员提出了ML框架来推导最优PD影响函数,准确描述具有微观尺度非均质性的材料的宏观变形。此外,为解释冲击模拟中拉伸、压缩和剪切加载下的不同力学响应,研究人员采用ANN模型开发率相关本构模型,预测材料在不同加载条件下的行为。该模型有效捕捉了材料的弹道冲击行为,包括剪切冲塞和断裂扩展。最近,研究人员提出了混合数据驱动和物理本构模型,以平衡精度与计算成本之间的权衡。除单一尺度的本构建模外,ML已被用于捕捉不同尺度之间的复杂关系。例如,ML可以将微观结构图集成到代理模型中以预测宏观断裂参数。研究人员将微观结构图集成到代理模型中预测宏观断裂参数,结合PCA进行降维,使用CNN将纤维分布映射到本构模型和相应力学参数。还有研究人员提出了预测双相复合材料在给定加载条件下局部弹塑性应力应变场的两步ML方法。最近,研究人员提出了预测镍基合金动态断裂韧性的新型框架,结合数据驱动和多尺度建模,具体而言,将从MD模拟获得的关键参数纳入宏观FEM建模中CZM的本构条件。

5 挑战与未来方向

5.1 断裂相关的优化与设计

与其他ML方法不同,RL是一种主动学习方法,通过与环境互动学习,无需监督或先验知识。在每个回合中,智能体根据指导其行为的奖励函数选择动作。RL在断裂力学中发挥着关键作用,通过提供自适应、数据驱动的方法来优化材料设计、预测裂纹路径和改进结构健康监测。

5.2 数据集成与特征学习

多模态数据指以不同形式收集的信息,如断裂图像、文本表达的物理约束、振动信号的频率数据以及数值数据。另一方面,多保真数据涉及不同精度或质量水平的结合,通常将高保真数据(更精确但昂贵且有限)与低保真数据(较不准确但更便宜、更丰富)相结合。本综述中大多数ML框架在合成、计算生成的数据上训练,使将这些模型应用于真实世界实验数据变得更加复杂。

5.3 混合物理-数据协同设计

纯数据驱动模型(如NNs)充当黑箱,缺乏物理可解释性,难以在非线性场景中泛化。多模态和多保真数据可在一定程度上缓解数据问题。断裂力学界越来越采用物理信息ML方法来克服传统数值模型和纯数据驱动方法的局限性。"混合物理-数据协同设计"的新概念已经出现,物理知识可以通过各种策略集成,包括物理引导数据处理、物理信息损失函数和物理编码架构设计。物理引导方法包括用于模型输入和输出的数据增强和特征工程。基于物理约束损失函数的方法(PINNs)通过让损失函数测量网络满足PDE和边界条件的程度来近似PDE的解。物理编码架构设计将物理知识直接嵌入ML模型结构中,使模型在训练和推理过程中遵守物理约束。

5.4 不确定性估计与泛化能力

断裂问题在现实场景中具有随机特征。例如,微观结构缺陷和晶界分布的随机性导致裂纹路径的高不确定性。因此,考虑潜在的随机裂纹萌生和扩展是必要的。然而,整个研究工作流程中存在来自实验数据和数值模型的不同来源的不确定性,包括材料性质的不确定性、理论建模的不确定性、数值建模的不确定性,以及ML方法引入的额外不确定性。为评估这些不确定性的影响,贝叶斯方法通过贝叶斯定理整合先验物理知识和测量数据,增强ML驱动的断裂力学,实现概率预测和严格的不确定性量化。

5.5 可行建议

基于本综述总结的主题,确定了以下具体优先研究方向:应开发涵盖不同断裂场景的精选标准化基准数据集;建立针对断裂力学ML应用的标准化定量评估指标和严格验证协议,包括ML导向指标和物理导向指标;利用可解释AI技术量化关键输入特征对断裂相关结果的贡献,使用迁移学习和贝叶斯方法提高泛化能力;将经过验证的ML模型直接嵌入断裂关键结构组件的迭代设计工作流程中,利用ML代理模型的优越计算效率替代计算昂贵的FEM和PFM模拟,实现实时断裂优化、拓扑设计和定量风险评估。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号