发表机构
PROMES-CNRS, Université Perpignan Via Domitia (UPVD); LAAS-CNRS, Université de Toulouse (UT)（法国国家科学研究中心佩皮尼昂大学多姆itia分校能源与过程系统优化实验室; 法国国家科学研究中心图卢兹大学航空航天系统实验室）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对断裂弹性域实时结构健康监测，提出物理信息深度神经网络框架，不依赖有限元训练数据，通过专用编码策略从边界条件和断裂几何预测位移场，以局部惩罚项施加无牵引力条件，用数值示例证明可行性。
AI 中文摘要
这项工作旨在为断裂弹性域的实时结构健康监测开发一个快速且物理一致的替代模型。我们提出了一个物理信息深度神经网络框架，该框架通过对断裂几何形状的专用编码策略，从边界条件和断裂几何形状预测位移场，且不依赖有限元生成的训练数据。通过局部惩罚项弱施加断裂边界上的无牵引力条件。给出的数值示例聚焦于一种代表性断裂几何形状，证明了该公式的可行性，并为扩展到不同断裂几何形状的替代建模奠定了基础。
英文摘要
This work aims to develop a fast and physically consistent surrogate model for real-time structural health monitoring of fractured elastic domains. We propose a physics-informed DeepONet framework that predicts displacement fields from both boundary conditions and fracture geometry, using a dedicated encoding strategy for the latter and without relying on finite-element-generated training data. The traction-free condition on the fracture boundary is imposed weakly through a localized penalty term. The presented numerical example focuses on one representative fracture geometry, demonstrating the feasibility of the formulation and laying the groundwork for extensions to surrogate modeling across diverse fracture geometries.
Comments6 pages
