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！

龙图腾网获悉东南大学申请的专利物理-数据协同驱动的大跨度桥梁台风效应概率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：CN120217900B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202510682584.3，技术领域涉及：G06F30/27；该发明授权物理-数据协同驱动的大跨度桥梁台风效应概率预测方法是由张一鸣;李昊卿;范龙文;王浩设计研发完成，并于2025-05-26向国家知识产权局提交的专利申请。

本物理-数据协同驱动的大跨度桥梁台风效应概率预测方法在说明书摘要公布了：本发明公开了一种物理‑数据协同驱动的大跨度桥梁台风效应概率预测方法：首先，获取结构健康监测系统记录的台风及其效应监测数据，计算台风特征参数与桥梁振动响应参数；然后，以台风特征参数作为模型输入，桥梁振动响应参数作为模型输出，构建样本集，并将其划分为训练集和测试集；进一步采用物理‑数据协同驱动的深度集成策略调整神经网络架构，构建提供响应均值和方差动态估计的台风效应概率预测模型；之后，基于所划分的数据集以及所建立的概率预测模型，开展模型训练与响应预测；最后，采用改进的沙普利加性解释方法开展模型解释分析。本发明可有效提升大跨度桥梁台风效应预测准确性及不确定性量化性能，并同步增强模型鲁棒性与可解释性。

本发明授权物理-数据协同驱动的大跨度桥梁台风效应概率预测方法在权利要求书中公布了：1.一种物理-数据协同驱动的大跨度桥梁台风效应概率预测方法，其特征在于，所述方法具体包括以下步骤： S1，获取大跨度桥梁结构健康监测系统记录的台风及其效应监测数据，计算台风特征参数与桥梁振动响应参数； S2，以步骤S1中计算得到的台风特征参数作为模型输入，桥梁振动响应参数作为模型输出，构建样本集，并将多个台风及其效应的样本集划分为训练集和测试集； S3，采用物理-数据协同驱动的深度集成策略调整可扩展的神经网络架构，构建提供响应均值和方差动态估计的台风效应概率预测模型； 采用物理-数据协同驱动的深度集成策略调整可扩展的神经网络架构，具体步骤为： S31，采用评分规则作为训练标准，对于输入为X，输出为Y，超参数为的模型，令其预测分布真实分布τ＝τY|X，理想评分规则写为： Θf,τ≤Θτ,τ1 式中，Θ为评分函数；Θf,τ表示真实分布τ下，预测分布f的表现评分；Θτ,τ表示真实分布τ本身进行预测的理论最优评分；当且仅当时，Θf,τ＝Θτ,τ；在最大化似然时，满足Gibbs不等式的评分规则表示为： S32，在物理-数据协同驱动方法中，代理模型的损失函数需要考虑物理知情损失项和数据驱动损失项对于物理知情损失项以桥梁风振方程作为控制条件： 式中，M,C,K分别表示质量、阻尼、以及刚度矩阵；ux,t分别表示在空间坐标x和时间刻度t下的加速度、速度、以及位移向量；Faerox,t表示外部风荷载向量，由气动升力FLt、气动阻力FDt和气动扭矩FMt三部分组成，在桥梁抖振时可分别表示如下： 式中，ρ为空气密度；Ut为来流风速；B为主梁宽度；H为主梁高度；αt为主梁断面的有效风攻角；CL[αt],CD[αt],CM[αt]分别为升力系数、阻力系数、以及扭矩系数；C’L[αt],C’D[αt],C’M[αt]分别为升力系数、阻力系数、以及扭矩系数关于风攻角的一阶导数；χL,χ’L,χD,χ’D,χM,χ’M为气动导纳函数；ht和vt分别为顺风向与竖向非平稳脉动风速； 在此基础上，桥梁加速度响应a进一步表示为： 式中，a1和a2分别表示主梁左右两侧的加速度竖向分量；av和at分别表示竖向加速度和扭转加速度； 据此，将物理知情损失项表示为： 式中，Yv和Yt分别表示模型预测输出的竖向加速度和扭转加速度；β1和β2分别表示竖向加速度残差项和扭转加速度残差项的权重； 对于数据驱动损失项引入高斯负对数似然同步获取独立模型的均值和方差以适应预测的不确定性： 最终损失函数由上述两部分损失项组成： 式中，δ1和δ2分别为物理知情损失项和数据驱动损失项的权重；模型训练的目标在于最小化损失函数 S33，应用对抗训练平滑预测分布，基于快速梯度符号法在可能增加损失的梯度方向上添加对抗性扰动，生成与真实样本相似的伪样本，以增强原始数据集，这个过程写成： 式中，Xp为生成的对抗性样本；ξ为保持扰动最大范数有界的小值；sign为取梯度的符号；表示损失函数在输入空间中的梯度； S34，在深度集成体系中，引入均匀加权混合策略近似高斯分布，在此基础上，多组预测整合为： 基于集成学习的最终输出结果表示为： 式中，为均匀加权分布函数；N和i分别代表集成学习的模型总数和模型序号；为第i个模型的预测分布；为第i个模型的超参数； 和分别表示第i个模型的均值和方差；和分别对应于最终预测的均值和方差； S4，基于步骤S2中划分的训练集和测试集，以及步骤S3中建立的概率预测模型，开展模型训练与响应预测； S5，采用改进的沙普利加性解释方法开展概率预测模型解释分析，阐明各特征变量的边际贡献及其对最终预测结果的实质影响； 采用改进的沙普利加性解释方法计算特征变量的边际贡献时，考虑了特征交互效应，具体计算方法如下： 式中，r和s表示不同的特征项；P和Q分别为不包括分析特征的有限集和包含全部特征的完整集；fp为预测器；φr,s为考虑特征r和s交互效应的沙普利值；φr,sum为考虑特征r与其它特征变量交互效应全部组合的沙普利值；φ0为基值；q为组合的阶数； 每个特征变量对最终预测结果的实质影响通过以下方式量化： 式中，Ψr和分别为特征r的平均绝对沙普利值及其相应的贡献占比；p为特征数量。

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东南大学，其通讯地址为：211102 江苏省南京市江宁区东南大学路2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”。