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！

龙图腾网获悉中国石油大学(华东)申请的专利渗流参数化学习方法、装置、设备及存储介质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：CN120180950B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202510667866.6，技术领域涉及：G06F30/27；该发明授权渗流参数化学习方法、装置、设备及存储介质是由严侠;蔺靖淇;张凯;张黎明;谭梓凌;程德义;张诗怡;张倚嘉设计研发完成，并于2025-05-23向国家知识产权局提交的专利申请。

本渗流参数化学习方法、装置、设备及存储介质在说明书摘要公布了：本申请提供一种渗流参数化学习方法、装置、设备及存储介质。涉及渗流数值模拟技术领域。该方法包括：定义渗流参数化学习数学模型；搭建时‑频双重滤波的傅里叶神经算子网络结构；定义基于有限体积离散的物理约束损失函数；利用序贯高斯模拟进行采样，生成不同的渗透率场，并划分为训练集与测试集；在训练集上训练傅里叶神经算子网络代理模型，在测试集上测试推理效果。本申请可以实现无标签数据的训练，并且可以通过训练好的模型对不同渗透率分布下的结果进行快速预测，具备显著提高的预测精度。

本发明授权渗流参数化学习方法、装置、设备及存储介质在权利要求书中公布了：1.一种渗流参数化学习方法，其特征在于，所述方法包括： 建立渗流参数化学习数学模型；其中，所述渗流参数化学习数学模型为基于达西方程的非均质多孔介质中的单相流动模型； 搭建时-频双重滤波的傅里叶神经算子网络结构；所述傅里叶神经算子网络结构用于学习渗透率场与空间坐标到压力场的映射； 设计基于有限体积离散的物理约束损失函数； 基于所述渗流参数化学习数学模型，利用序贯高斯模拟进行采样，生成不同的渗透率场，并划分为训练集与测试集； 基于所述物理约束损失函数，在训练集上训练所述傅里叶神经算子网络结构，在测试集上测试推理效果； 所述渗流参数化学习数学模型的控制方程为： ， 其中，是流速；是动力粘度；是多孔介质的渗透率场；是流体压力；是源汇项；表示梯度算子；表示散度算子； 所述渗流参数化学习数学模型的边界条件定义为： ， 其中是狄利克雷边界的预设固定压力值；是纽曼边界的预设固定速度值；是边界位置的法向向量；onDirichletboundary表示在狄利克雷边界上，onNeumannboundary表示在纽曼边界上； 所述傅里叶神经算子网络结构学习渗透率场与空间坐标到压力场的映射的过程为： 将渗透率矩阵和空间坐标矩阵作为输入全连接层的输入矩阵，涉及输入全连接层的映射函数如下： ， 其中和是输入层的权重和偏差；是维度扩展的压力矩阵；是渗透率场；与是空间坐标； 压力的映射包括三层门控傅里叶层的逐层细化，完整的映射过程如下： ， 其中，是神经网络输入；是时域特征选择结果；是门控傅里叶层的输出；是第二层时域特征选择结果；是第二层门控傅里叶层的输出；是神经网络输出； 门控傅里叶层中自适应特征选择部分的映射函数为： ， 其中是批量归一化，用于稳定映射中的特征分布；是可学习的权重；是逐点乘法；是非线性整流单元激活函数，用于稀疏的激活对于模式识别贡献最大的神经元，实现特征的预筛选； 频域傅里叶滤波部分的映射函数如下： ， 其中是快速傅里叶变换；是频域中的低通滤波；是傅里叶逆变换；是卷积层；是提取到的低频模态的数量；和分别是x和y方向的序号；是最大模态数量，是x方向最大的序号数，是y方向最大的序号数； 输出层将特征映射回到低维原始空间，映射函数为： ， 其中是输出层的权重；是输出层的偏差；是神经网络最终输出的压力矩阵。

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中国石油大学(华东)，其通讯地址为：266580 山东省青岛市黄岛区长江西路66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”。