यह शोधपत्र एक डीप ऑपरेटर नेटवर्क (DeepONet) पर आधारित एक मशीन लर्निंग मॉडल प्रस्तुत करता है जो संवैधानिक नियम-सूचित कण गतिकी (CPD) सिमुलेशन डेटा का उपयोग करके दरार प्रसार की भविष्यवाणी करता है। विशेष रूप से, हम भिन्न ज्यामिति (जैसे, भिन्न नॉच ऊँचाई और भिन्न छिद्र त्रिज्या) वाले नमूनों में समय-निर्भर दरार प्रसार की भविष्यवाणी करने के लिए मॉडल के दो प्रकारों, वेनिला डीपओनेट और फ्यूजन डीपओनेट, का अन्वेषण करते हैं। हम तीन प्रतिनिधि मामलों (जैसे, भिन्न नॉच ऊँचाई और नॉच ऊँचाई और छिद्र त्रिज्या के संयोजन) का अध्ययन करके मॉडल के प्रदर्शन का मूल्यांकन करते हैं और प्रदर्शित करते हैं कि फ्यूजन डीपओनेट अधिक सटीक भविष्यवाणियाँ प्रदान करता है, विशेष रूप से गैर-विनाशकारी मामलों में। हालाँकि फ्रैक्चर के मामलों में भविष्यवाणी की सटीकता कुछ कम होती है, हम जटिल, ज्यामितीय रूप से विविध और समय-परिवर्तनशील दरार प्रसार परिघटनाओं के लिए फ्यूजन डीपओनेट की सामान्यीकरण क्षमता पर प्रकाश डालते हैं।
