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！

龙图腾网获悉哈尔滨工业大学;南京工业大学;东北林业大学;青岛理工大学申请的专利一种大跨径混凝土桥梁结构全域时变温度场智能构建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：CN119989457B 。

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：202411830003.8，技术领域涉及：G06F30/13；该发明授权一种大跨径混凝土桥梁结构全域时变温度场智能构建方法是由杨世硕;梁锐鸿;肖胤博;周春雨;吴双兰;郭斌强;苏雷;李忠龙;刘洋;高庆飞设计研发完成，并于2024-12-12向国家知识产权局提交的专利申请。

本一种大跨径混凝土桥梁结构全域时变温度场智能构建方法在说明书摘要公布了：一种大跨径混凝土桥梁结构全域时变温度场智能构建方法，涉及桥梁结构温度场预测技术领域。将桥梁离散化并计算位置坐标；考虑桥梁全域所受太阳辐射，按照位置坐标划分；收集实测环境数据；构建数据集，进行归一化处理；构建物理约束损失函数和数据约束损失函数；构建神经网络模型，输出目标为最终的预测值；在模型训练过程中，为约束项配置权重系数，更新直至损失收敛得到温度预测结果；评估神经网络模型并完成训练；使用神经网络模型针对实际桥梁进行温度预测。建立桥梁温度预测的关联机制，考虑历史温度数据的同时预测未来某时刻的桥梁温度，并且引入物理机制，行成物理数据双约束的约束损失，提高预测准确性。

本发明授权一种大跨径混凝土桥梁结构全域时变温度场智能构建方法在权利要求书中公布了：1.一种大跨径混凝土桥梁结构全域时变温度场智能构建方法，其特征在于：包括以下步骤： 步骤一：计算桥梁位置坐标 将桥梁沿长度方向L、宽度方向W以及竖向Z分别按N分等间隔离散化，对于某一点的位置坐标表示为： 则所有点的位置坐标表示为： X＝X0X1…XN-1XNT 其中，对于某一元素Xi，i＝0,1,...,N-1,N，其形式表现为： 步骤二：计算太阳辐射参数 计算时间t时的太阳辐射强度Isolar，考虑桥梁全域所受太阳辐射，得到太阳辐射强度Isolar按照位置坐标的划分，表示为： Isolar＝I0I1…IN-1INT 其中，对于某一元素Ii，其形式表现为： 步骤三：收集实测环境数据 收集时间t时的桥梁不同位置坐标下的环境数据，包括环境温度Tenv、风速Vmind、相对湿度RH和历史温度数据Thistory，其中： 环境温度Tenv表示为： 对于某一元素其形式表现为： 风速Vmind表示为：Vmind＝V0V1…VN-1VNT 对于某一元素Vi，其形式表现为： 相对湿度RH表示为：RH＝R0R1…RN-1RNT 对于某一元素Ri，其形式表现为： 历史温度数据Thistory表示为： 对于某一元素其形式表现为： 步骤四：构建数据集 将位置坐标X及与其对应的各项特征数据，包括太阳辐射强度Isolar、环境温度Tenv、风速Vmind、相对湿度RH和历史温度数据Thistory构建为数据集，进行归一化处理，使其范围限定在桥梁尺寸之间，超出此范围的数据标为异常值并删除，经归一化处理后的数据集表示如下： G＝[XIsolarTenvVmindRHThistory]； 步骤五：构建物理约束损失函数 定义热传导方程来描述只考虑混凝土情况下桥梁内部温度随时间和空间变化，将其转换为热传导约束损失，表示为： 式中，N'为数据样本的数量，ρ为材料密度，c为比热容，为温度预测值，为温度在时间的导数，κ为热传导率，为温度在空间的导数，x、y和z分别对应桥梁离散化的长度方向L、宽度方向W和竖向Z； 定义对流换热来描述桥梁表面与空气之间的热交换边界条件，物理过程用牛顿冷却定律来描述，进而构建对流换热约束损失，表示为： 式中，h为对流换热系数，qi为相应点的热流，且Tsurface为桥梁表面的温度分布，即温度预测值n为桥梁表面法向； 则，物理约束损失函数表示为： Lphysics＝Lossconduct+Lossconv； 步骤六：构建数据约束损失函数 构建数据约束损失衡量温度预测值与实际温度之间的差距，使用均方误差来表示数据约束损失函数，表示为： 步骤七：构建神经网络模型 将经归一化处理后的数据集G划分成训练集GT和测试集GE； 定义输入目标为训练集GT中除历史温度数据Thistory外的其他数据； 定义输出目标为最终的预测值而历史温度数据Thistory作为验证数据； 使用长短时记忆网络构建神经网络模型，输出最终的预测值表示为： 其中，对于某一元素的温度预测值其形式表现为： 步骤八：构建物理数据双约束 在神经网络模型训练过程中，分别为物理约束项和数据约束项配置权重系数，且令各权重系数总和为1，则物理数据双约束的损失函数表达式如下： Ltotal＝λ1Lossdata+λ2Lphysics 式中，λ1为数据约束损失的权重系数，λ2为物理约束损失的权重系数； 使用梯度优化算法更新以确定最佳的权重，在整个经归一化处理后的数据集G上重复更新直至损失收敛，得到温度预测结果表示为： 其中，对于某一元素其形式表现为： 步骤九：神经网络模型评估 使用测试集GE来衡量神经网络模型能力，采用均方误差评估神经网络模型，若神经网络模型在训练中满足均方误差条件，则完成训练，若不满足，则继续反向传播直至满足条件，得到训练完成的神经网络模型； 步骤十：使用神经网络模型进行预测 针对实际桥梁工况信息进行时间点t′的全桥温度预测，将该时间点t′的位置坐标X′、太阳辐射强度Is′olar、环境温度Te′nv、风速Vm′ind、相对湿度RH′和历史温度数据Th′istory进行归一化处理后得到数据集G′，将数据集G′输入训练完成的神经网络模型，得到最终温度预测输出

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哈尔滨工业大学;南京工业大学;东北林业大学;青岛理工大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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”。