Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 岳正检测认证技术有限公司蒋青桔获国家专利权

岳正检测认证技术有限公司蒋青桔获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉岳正检测认证技术有限公司申请的专利一种基于机器学习的钢结构建筑长期荷载金属疲劳预测方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN120015208B

龙图腾网通过国家知识产权局官网在2025-07-15发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202510494612.9,技术领域涉及:G16C60/00;该发明授权一种基于机器学习的钢结构建筑长期荷载金属疲劳预测方法是由蒋青桔;刘俊;陈彦;张儒成;彭傲霜;朱岩设计研发完成,并于2025-04-21向国家知识产权局提交的专利申请。

一种基于机器学习的钢结构建筑长期荷载金属疲劳预测方法在说明书摘要公布了:本发明提出一种基于机器学习的钢结构建筑长期荷载金属疲劳预测方法,涉及数据预测领域。本发明提出DWN预测模型,应用于钢结构建筑长期荷载金属疲劳预测场景,包括频域特征提取模块、时域特征提取模块和学习预测模块,具体地,频域特征提取模块能够提取频域信息,建模频域特征,时域特征提取模块能够进行提取时域信息,建模时域特征,学习预测模块用于将频域特征和时域特征进行组合,通过对比学习转化为可用的钢结构建筑长期荷载金属疲劳预测结果,各模块间相互配合实现对钢结构建筑长期荷载金属疲劳的精确预测。

本发明授权一种基于机器学习的钢结构建筑长期荷载金属疲劳预测方法在权利要求书中公布了:1.一种基于机器学习的钢结构建筑长期荷载金属疲劳预测方法,其特征在于,包括以下步骤: S1、收集钢结构建筑长期荷载金属疲劳数据,包括物理参数和使用环境参数,对收集的数据进行预处理; S2、对预处理后的金属疲劳数据使用均值归一化方法进行标准化,并通过扩张卷积进行映射,将数据划分训练集和测试集; S3、构建频率特征提取模块,引入变分局部自适应小波变换,构建频域特征,具体步骤如下:S31、将输入序列通过变分优化动态计算选择自适应尺度,具体步骤如下: 将输入信号r通过变分优化动态计算选择自适应尺度s*,具体公式为: 式中,s为小波尺度,τ为时间偏移量,λ为平滑因子,为输入信号r关于小波尺度的梯度; Wr,s,τ为小波变换,具体公式为: Wr,s,T=∫rtψs,τtdt; 式中,ψs,τt为关于小波尺度s的Morlet基函数,具体公式为: 式中,s为小波尺度,τ为时间偏移; S32、计算自适应尺度的局部频域能量,通过路径积分优化自适应尺度,具体步骤如下: 对得到的自适应尺度s*计算局部频域能量,通过路径积分优化自适应尺度,具体公式为: 式中,γs*,τ为通过变分优化得到的最优路径,具体公式为: 式中,LX,s*,τ为局部信号能量,具体公式为: 式中,为关于自适应尺度s*的Morlet基函数; S33、使用反向图拉普拉斯权重计算优化不同频率成分的贡献,使用反小波变换将加权后的小波特征重构回时域信号; S4、构建时域特征提取模块,设计可学习卷积核,通过残差连接构建时域特征,具体步骤如下: S41、设计可学习卷积核Kt对输入信号进行卷积操作; S42、对卷积结果应用SeLU激活函数并进行层归一化; S43、将层归一化后的输出与输入信号进行残差连接,拼接所有时间步的特征,得到最终时域特征表示; S5、构建学习预测模块,设计可学习权重γ,调节对比损失权重,通过对比学习训练模型,将预处理后的数据输入模型得到金属疲劳预测结果。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人岳正检测认证技术有限公司,其通讯地址为:266109 山东省青岛市城阳区春阳路211-4号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。