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！

龙图腾网获悉天津大学申请的专利基于元学习的物理信息神经网络钢材疲劳寿命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：CN119069050B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411284904.1，技术领域涉及：G16C60/00；该发明授权基于元学习的物理信息神经网络钢材疲劳寿命预测方法是由孙兴悦;廖挥亚;余婉琦;陈旭设计研发完成，并于2024-09-13向国家知识产权局提交的专利申请。

本基于元学习的物理信息神经网络钢材疲劳寿命预测方法在说明书摘要公布了：本发明属于机器学习技术领域，公开了一种基于元学习的物理信息神经网络钢材疲劳寿命预测方法，利用元学习框架，通过引入以GRU为模块的元模型学习样本对应的加载路径几何特征，通过模型推理，针对不同样本更新权重，从而对物理信息神经网络的训练表现进行优化。区别于静态优化，对一种具体的钢材，及一个多轴加载路径下的样本，独立更新优化一组权重。该方法通过元模型引入具有非比例循环硬化程度度量的路径几何信息使得物理信息神经网络的预测结果拥有较好的物理一致性，在小样本下的钢材多轴疲劳寿命预测方面具有更好表现。

本发明授权基于元学习的物理信息神经网络钢材疲劳寿命预测方法在权利要求书中公布了：1.一种基于元学习的物理信息神经网络钢材疲劳寿命预测方法，其特征在于，该方法包括： S1、收集待预测钢材的疲劳实验数据集； S2、根据待预测钢材选择临界面模型后，根据疲劳实验数据集计算临界面模型所需参数，并计算损伤参数； 其中，所述临界面模型所需参数为，，，，b，c，b0，c0，k，kMGSE和S； 其中，所述损伤参数为：，，，，，，，和； S3、确定物理信息神经网络输入特征和物理信息神经网络输出特征，对物理信息神经网络输入特征与物理信息神经网络输出特征进行数据预处理；其中，所述物理信息神经网络输入特征采用S2得到的损伤参数，所述物理信息神经网络输出特征为疲劳寿命预测结果； S4、以人工神经网络为基础模型构建物理信息神经网络，并根据S2选择的临界面模型定义物理信息损失函数，同时引入物理信息项权重； 所述物理信息损失函数为： ; 其中： ; ; ; ; ; ; ，，，和为物理信息项权重，i为样本序号，n为样本数量，为第i个样本的实验寿命，为样本序号为第i个样本的预测寿命； 其中，，，，依次为以最大正应变范围所在平面作为临界面时，该临界面对应的最大正应力、最大切应力、最大正应变范围、最大切应变范围；，，，依次为以最大切应变范围所在平面作为临界面时，该临界面对应的最大正应力、最大切应力、最大正应变范围、最大切应变范围；为正应变行程；为疲劳强度系数，为剪切疲劳强度系数，为疲劳延性系数，为剪切疲劳延性系数，b为疲劳强度指数，c为疲劳延性指数，b0为剪切疲劳强度指数，c0为剪切疲劳延性指数，k为FS模型常数，kMGSE为MGSEZhu模型常数，S为WB模型常数；E是杨氏模量，G为剪切模量，为屈服强度，为疲劳寿命；ve为弹性阶段泊松比；vp为塑性阶段泊松比； S5、以S1得到的疲劳实验数据集中的正应变、切应变信息作为元模型输入特征，以S4中的物理信息项权重作为元模型输出特征，并对元模型输入特征进行数据预处理； S6、构建元模型，将物理信息神经网络的均方误差MSE定义为元模型损失函数； S7、将元模型输入特征、物理信息神经网络输入特征、物理信息神经网络输出特征的数据集随机划分为训练集与测试集，并保证元模型与物理信息神经网络相同样本的数据同时划分在训练集或测试集中；初始化元模型与物理信息神经网络，初始化物理信息项权重，设定元模型训练周期与物理信息神经网络训练周期； S8、根据当前的物理信息项权重，进行物理信息神经网络训练，更新所述物理信息神经网络输出特征，计算物理信息损失函数并反向传播给物理信息神经网络； S9、在物理神经网络训练的最后一个周期，计算物理信息神经网络的均方误差MSE，并反向传播给元模型； S10、进行元模型训练，更新物理信息项权重； S11、重复S8-S10步骤，直至达到设定的元模型训练周期，通过物理信息神经网络得到疲劳寿命预测结果。

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天津大学，其通讯地址为：300072 天津市南开区卫津路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”。

以上内容由龙图腾AI智能生成。