Modelagem computacional para grande deformação termoplástica de sólidos plásticos é crítica para aplicações industriais como a avaliação não invasiva de componentes de engenharia. Embora métodos baseados em aprendizado profundo tenham surgido como alternativas promissoras às simulações numéricas tradicionais, muitas vezes sofrem de erros sistemáticos causados por desajustes geométricos entre as malhas previstas e as reais. Para superar essa limitação, propomos uma nova estrutura neural constrangida pela geometria de limite que estabelece mapeamentos diretos pontuais entre as coordenadas espaciais e as quantidades físicas de campo total dentro do domínio deformado. As principais contribuições deste trabalho são as seguintes: (1) uma estratégia de duas etapas que separa a previsão geométrica da resolução de campo físico, construindo mapeamentos diretos, ponto a ponto, entre coordenadas e quantidades físicas, evitando inerentemente erros de desalinhamento de malha; (2) um mecanismo de codificação ciente das condições de contorno que garante consistência física sob condições de carga complexas; e (3) uma abordagem totalmente livre de malha que opera em nuvens de pontos sem discretização estruturada. Resultados experimentais demonstram que nosso método alcança uma melhoria de 36–98% na precisão da previsão em relação a referências de aprendizado profundo, oferecendo uma alternativa eficiente para simulação de alta fidelidade de grandes deformações termoplásticas.
Wang et al. (Qui,) estudaram essa questão.