该研究提出了Point-DeepONet，一种结合PointNet的深度算子网络，旨在解决现有模型在复杂非参数三维几何和载荷条件下的预测不足。该方法通过处理非参数点云和符号距离函数，实现了对位移和von Mises应力场的高效预测，速度比传统方法快约400倍，具有优化设计和工程决策的潜力。

本文提出了神经向量场（NVF）作为一种新的3D表示方法，通过预测位移和使用矢量场对形状建模，突破了分辨率和拓扑的限制。NVF在不同评价场景下表现优于最先进的方法。

本文介绍了一种新的3D表示方法，神经向量场（NVF），通过预测位移和使用矢量场对形状建模，克服了分辨率和拓扑的障碍。提出了基于矢量量化的形状代码本学习方法，并在不同评价场景中取得了优于最先进方法的结果。