本文提出了一种分布式物理信息神经网络（DPINN），用于解决非线性偏微分方程及Navier-Stokes方程。研究表明，DPINN在固体力学和弹性动力学建模中表现出色，尤其在缺乏标注数据时。通过结合机器学习和物理原理，成功预测了3D金属添加制造中的温度变化。此外，研究探讨了激活函数对PINN模型预测性能的影响，强调了选择激活函数的重要性。