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一种大型抗爆结构物冲击动力参数识别方法与识别平台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：CN115358148B 。

龙图腾网通过国家知识产权局官网在2025-08-08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：202210991472.2，技术领域涉及：G06F30/27；该发明授权一种大型抗爆结构物冲击动力参数识别方法与识别平台是由黄杰;宗周红;李佳奇;陈振健;夏梦涛;李卓设计研发完成，并于2022-08-18向国家知识产权局提交的专利申请。

本一种大型抗爆结构物冲击动力参数识别方法与识别平台在说明书摘要公布了：本发明涉及一种大型抗爆结构物冲击动力参数识别方法，识别方法包括确定待识别结构物冲击动力学参数；测定待识别结构物的几何参数；测定待识别结构物在爆炸冲击下的动力响应；建立待识别结构物在爆炸冲击下的数值模型，构建目标函数；利用改进的MWOA‑GPO算法在参数区间快速寻优；以及经过数次迭代，计算出最小目标值所对应的力学参数；本发明针对大型防护工程抗爆结构动力参数获取困难，测量结果不精确等问题，提出利用MWOA‑GPO算法对有限元数值模型进行优化进而反演出结构物动力参数的方法，同时基于该识别方法提出了获取结构物动力学参数的识别平台，有效地提高了获取结构参数的便利性和经济性。

本发明授权一种大型抗爆结构物冲击动力参数识别方法与识别平台在权利要求书中公布了：1.一种大型抗爆结构物冲击动力参数识别方法，其特征在于：包括以下步骤： 步骤S1：确定待识别结构物冲击动力学参数； 步骤S2：测定待识别结构物的几何参数； 步骤S3：测定待识别结构物在爆炸冲击下的动力响应； 步骤S4：建立待识别结构物在爆炸冲击下的数值模型，构建目标函数； 步骤S5：利用改进的MWOA-GPO算法在参数区间快速寻优，即利用改进型灰狼算法在全局空间进行寻优，当全局寻优次数达到预设迭代次数后，将全局空间的寻优转变为局部空间的寻优，在此阶段启动GPO局部的寻优技术； 步骤S6：全局寻优和局部寻优的反复迭代，直至收敛迭代准则满足适应精度和最大允许迭代步数，计算出最小目标值对应的力学参数，退出寻优过程，输出最优结构物动力学参数； 步骤S1中确定的待识别结构物冲击动力学参数，若结构物为单介质结构，包括单材料动态力学参数，若结构物为多介质组合结构，包括各部分组件的材料动态力学参数； 前述的材料动态力学参数包括确定实际工程设计中所需的动力参数、未知参数的初始值，以及预设参数搜索区间的上下限； 步骤S2中，采用接触或者非接触的测量方式测定待识别结构物的几何参数； 步骤S3中，待识别结构物在爆炸冲击下的动力响应为对结构物关键点的实测动力响应， 包括结构物的冲击破坏变形值Wkp1、Wkp2、...、Wkpn，结构物的冲击超压值Pkp1、Pkp2、...、Pkpn以及结构物的加速度值Akp1、Akp2、...、Akpn； 步骤S4中，将步骤S2获取的待识别结构物的几何参数结合步骤S1中位置参数的初始值，建立初始的结构物数值模型； 构建的目标函数为其中，x为一组材料动态力学参数，Si为结构物上第i个关键监测点在爆炸后的动力学响应值，为第i个位移监测点在该组力学参数下有限元的计算动力响应值； 当目标函数的值满足目标函数minfx的收敛条件时，数值模型中的动力学参数值即为真实结构中的动力参数； 步骤S5的具体步骤为： 步骤S5-1，进行改进型灰狼算法在全局空间的迭代寻优； 步骤S5-2，GPO在局部空间的动态加速； 其中步骤S5-1具体为： 步骤S5-1-1，设定MWOA算法的参数，包括搜索灰狼种群数NP、算法的维数D以及局部寻优次数启动时间Itermax，当MWOA算法在单循环阶段时适应度评价次数t达到Itermax时，进入GPO局部加速阶段； 步骤S5-1-2，在MWOA算法的每一次迭代寻优前，计算搜索种群中每一头狼的适应度值，并将种群中适应度值最优的狼的位置信息保存为α，将种群中适应度值次优的狼的位置信息保存为β，将种群中适应度第三优的灰狼的位置信息保存为δ，剩余的狼群为ω；当狼群中四类阶级确定后，开始全局空间的寻优，根据改进型灰狼算法的迭代公式，更新下一代的狼群粒子位置，在每一次迭代更新狼群种群计算时，此时数值计算的适应度计算次数t＝t+1； 步骤S5-1-3，在寻优过程中，潜在的最优粒子群需要带进真实的适应度函数中计算真实适应度值，即根据当前灰狼种群的寻优个体的位置Iij动态更新步骤S4中所建立的数值模型中，根据更新后的数值模型，计算当前参数Iij所对应的数值模型中的适应度值FEIij，其中每一组种群中具有最优适应度的粒子所组成的种群记为QBEi，当前所有粒子中的适应度值FE最小值所对应的最优个体记为当前全局最优个体PBgj，其对应的目标函数值BFEPBgj为当前全局最优解；数值模型的计算次数达到t＝Itermax后，进入GPO加速阶段； 步骤S5-2具体为： 步骤S5-2-1，建立高斯过程代理模型，在步骤S5-1中寻找的全局最优个体PBgj附近，按照距离PBgj距离最近的若干点，当前选取构建GPR模型的种群数量为NP×D，组建新的学习样本集Xsample，Ysample，生成局部代理模型； 步骤S5-2-2，基于已经建立的GPR模型，依据GPO局部加速技术快速寻找当前局部最优点BLij，与并将BLij的位置信息输入到数值模型中，计算其适应度FEBLij； 步骤S5-2-3，基于步骤S5-2-2中的所寻的BLij的适应度FEBLij与步骤S5-1-3所寻找的当前最优点PBgj的适应度FEPBgj进行比较，根据评判结果，若FEBLij＞FEPBgj，证明加速成功，则令全局最优点PBgj＝BLij；若FEBLij＜FEPBgj，则加速不成功，则PBgj在仍然保持不变；判定结束后，则在返回到步骤S5-1-2的改进型灰狼算法MWOA的全局寻优阶段，在步骤S5-1-2中，将围绕当前最优点PBgj继续全局的寻优和局部的加速的迭代过程，直至满足收敛条件。

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：210018 江苏省南京市玄武区四牌楼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”。