Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 华中科技大学舒乐时获国家专利权

华中科技大学舒乐时获国家专利权

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!

龙图腾网获悉华中科技大学申请的专利基于空间映射多保真度建模的高维超材料声学性能预测方法及系统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:CN119763740B

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:202411842032.6,技术领域涉及:G16C60/00;该发明授权基于空间映射多保真度建模的高维超材料声学性能预测方法及系统是由舒乐时;钟林君;卞孟春;蒋平;周奇;徐凯钦设计研发完成,并于2024-12-13向国家知识产权局提交的专利申请。

基于空间映射多保真度建模的高维超材料声学性能预测方法及系统在说明书摘要公布了:本发明属于但不限于声学超材料性能预测技术领域,公开了一种基于空间映射多保真度建模的高维超材料声学性能预测方法,结合不同计算成本和精度的声学超材料有限元模型获得高低保真度训练样本点,基于Cut‑HDMR模型构建低保真度代理模型捕获高维声学超材料性能变化的总体趋势,将高维问题分解为一维和二维分量函数的叠加,并以低保真度模型预测作为先验,映射到高保真度输出空间来构建多保真度模型,将高维的“多对一”映射转化为易于处理的“一对一”映射,以消除多保真度建模中的高维困境,精准高效地进行高维声学超材料的性能预测。

本发明授权基于空间映射多保真度建模的高维超材料声学性能预测方法及系统在权利要求书中公布了:1.一种基于空间映射多保真度建模的高维超材料声学性能预测方法,其特征在于,包括以下步骤: 步骤一:根据设计声学超材料设计需求,确定预测目标; 步骤二:对声学超材料结构进行子单元划分,确定其固有物理性质组合所包含的高维设计变量; 步骤三:基于COMSOL软件对声学超材料进行多物理场建模,构建具有不同计算成本及精度的高低保真度数值仿真模型; 步骤四:采用最大最小距离序贯采样,获得各分量函数的网格样本点xl,调用所述低保真度数值仿真模型得到所述样本点的响应值,基于Cut-HDMR模型构建声学超材料低保真度代理模型 步骤五:采用优化拉丁超立方采样获得高保真度样本点xh,调用所述高保真度数值仿真模型计算所述样本点的响应值fhxh,通过所述低保真度代理模型计算低保真度预测值基于空间映射方法构建SM-HDMR多保真度模型; 步骤六:输出声学超材料SM-HDMR模型及非线性一阶项和耦合二阶项,评估所述SM-HDMR模型预测误差; 采用最大最小距离序贯采样,获得各分量函数的网格样本点xl,调用所述低保真度数值仿真模型得到所述样本点的响应值,基于Cut-HDMR模型构建声学超材料低保真度代理模型包括: 1确定切割中心;选择设计域的中点为Cut-HDMR模型的切割中心并基于粗网格的低保真度仿真模型获得对应的低保真度响应 2构建一阶分量函数;对于变量xi,i=1,2,…,50,选择上下边界点xi-和为初始样本点,由低保真度数值仿真模型获得对应的函数值,获得训练点和基于Kriging模型构建初始一阶分量函数 3检查一阶分量函数线性性;若所构建的代理模型通过切割中心x0,即则为仅由两个样本点构成的线性函数;反之,通过最大最小距离采样获得更多样本点,直至满足精度要求;依次完成50个一阶分量函数的构建,由此仅包含一阶分量函数的低保真度代理模型为: 4检查二阶存在性;如果角点的预测值与其低保真度模拟响应值相近,则认为高阶项影响可忽略,否则,继续构建二阶分量函数; 5检查并构建二阶分量函数;评估任意两变量xi及xj的耦合影响,若相对误差大于阈值ε2,即:则在切割面xi-xj内基于最大最小距离采样获得更多低保真度二阶样本点,构建二阶分量函数依次完成所有二阶分量函数的构建,并获得更精细的低保真度代理模型: 采用优化拉丁超立方采样获得高保真度样本点xh,调用所述高保真度仿真模型计算所述样本点的响应值fhxh,通过所述低保真度代理模型计算低保真度预测值基于空间映射方法构建SM-HDMR多保真度模型,包括: 在整个设计域内进行优化拉丁超立方采样,调用高保真度仿真模型计算对应响应值,获得高保真度样本点[xh,fhxh];通过所构建的Cut-HDMR模型计算相应的低保真度预测值将作为训练样本点构建Kriging模型,其中作为输入变量,fhxh作为对应的输出数据,以此将低保真度输出信息映射至高保真度输出空间,将“多对一”的映射转化为易于处理的“一对一”映射关系以此消除多保真度建模中的高维困境,即最终的多保真度模型为: 其中,为随机过程,表示目标函数的局部波动或误差,为回归项,通过线性组合p个回归函数来表示目标的整体行为: 其中h·由回归函数组成,β为回归系数。

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华中科技大学,其通讯地址为:430074 湖北省武汉市洪山区珞喻路1037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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。