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！

龙图腾网获悉北京航空航天大学申请的专利结合物理信息神经网络和距离采样的高维可靠性分析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：CN119442884B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202411528273.3，技术领域涉及：G06F30/27；该发明授权结合物理信息神经网络和距离采样的高维可靠性分析方法是由张天霄;陈历;赵心怡;余洁设计研发完成，并于2024-10-30向国家知识产权局提交的专利申请。

本结合物理信息神经网络和距离采样的高维可靠性分析方法在说明书摘要公布了：本发明涉及高维可靠性分析技术领域，具体涉及一种结合物理信息神经网络和距离采样的高维可靠性分析方法，包括：采用传感器测量被测固体在待测条件下的响应值，将待测条件和对应的响应值作为迁移学习样本，获取多个迁移学习样本；生成多个配置点，配置点记载有时空位置和随机生成的被测固体属性；基于配置点进行物理信息学习，并基于迁移学习样本进行迁移学习训练，得到深度神经网络可靠性分析模型；基于深度神经网络可靠性分析模型，计算高维可靠性评估配置点的可靠度，作为可靠性分析的结果；本发明能够在少量样本数据下提高物理信息神经网络的泛化性能。

本发明授权结合物理信息神经网络和距离采样的高维可靠性分析方法在权利要求书中公布了：1.一种结合物理信息神经网络和距离采样的高维可靠性分析方法，其特征在于，包括以下步骤： 步骤S1、采用传感器测量被测固体在待测条件下的响应值，将所述待测条件和对应的响应值作为迁移学习样本，获取多个迁移学习样本；所述待测条件包括时空位置和被测固体属性，所述被测固体属性包括材料属性、几何尺寸和外部载荷； 步骤S2、生成多个配置点，所述配置点记载有时空位置和随机生成的被测固体属性；所述配置点包括残差配置点、初始条件配置点、边界条件配置点和高维可靠性评估配置点； 步骤S3、基于所述配置点进行物理信息学习，并基于所述迁移学习样本进行迁移学习训练，得到深度神经网络可靠性分析模型； 步骤S4、基于所述深度神经网络可靠性分析模型，计算所述高维可靠性评估配置点的可靠度，作为可靠性分析的结果； 所述步骤S2具体包括： 采用拉丁超立方抽样生成能够均匀填充变量空间的个偏微分方程残差配置点； 确定个初始条件配置点以及个边界条件配置点，并基于初始条件和边界条件的先验信息获取初始条件配置点和边界条件配置点处的响应值和； 所述步骤S3具体包括： 步骤S3-1、初始化并训练物理信息神经网络； 步骤S3-2、基于训练好的物理信息神经网络，对迁移学习深度神经网络进行初始化； 步骤S3-3、采用所述迁移学习深度神经网络，将所述高维可靠性评估配置点变换到特征空间，得到样本点； 步骤S3-4、通过迭代优化的方式，采用基于距离的下采样方法由所述样本点得到新增实验点，基于所述新增实验点更新所述迁移学习深度神经网络，最终得到深度神经网络可靠性分析模型； 所述步骤S3-1具体包括： 步骤S3-1-1、初始化物理信息神经网络的参数和超参数； 步骤S3-1-2、确定违反偏微分方程、初始条件和边界条件的损失函数，以损失函数最小化为目标，对物理信息神经网络进行迭代训练，得到物理信息神经网络的最优参数； 所述步骤S3-1-2具体包括： 确定物理信息神经网络的损失函数为： 其中，表示物理信息神经网络的参数，分别为时间变量、空间变量和表示被测固体属性的输入随机变量，表示物理信息神经网络的损失函数，，，分别为偏微分方程、初始条件和边界条件的损失函数，i为配置点索引，表示第i个配置点的预测输出响应对的偏导数，表示第i个配置点的预测输出响应，表示对随机变量进行参数化的非线性微分算子；表示非线性微分算子的参数，表示绝对值的平方，表示第i个配置点的初始条件的预测输出响应，表示第i个配置点的边界条件的预测输出响应； 将最小化，表达式为： 其中，表示找到参数的值，使得函数值最小，为物理信息神经网络的最优参数。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。