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！

龙图腾网获悉浙江大学;冶金自动化研究设计院有限公司申请的专利基于物理信息神经网络增强的氢气竖炉气固耦合建模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：CN119989986B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202510146639.9，技术领域涉及：G06F30/28；该发明授权基于物理信息神经网络增强的氢气竖炉气固耦合建模方法是由李逸;杨春节;郝晓东;王维彬;刘哲;孙优贤设计研发完成，并于2025-02-10向国家知识产权局提交的专利申请。

本基于物理信息神经网络增强的氢气竖炉气固耦合建模方法在说明书摘要公布了：本发明提出了一种基于物理信息神经网络增强的氢气竖炉气固耦合建模方法。针对气相运动建模所需的NS方程求解部分，使用NeuralODE在氢气竖炉大量历史数据基础的上增强SSTk‑ω湍流模型的混合函数部分，提高SSTk‑ω湍流模型在炉内不同区域的求解精度；针对固相运动建模部分，使用离散单元法DiscreteElementMethod，DEM计算固体颗粒间受力并使用牛顿定律建模固体颗粒的运动方程；针对耦合建模部分，基于曳力模型将固相运动方程和气相运动方程实现耦合。本发明利用PINN的复杂拟合能力，使得我们能够更为精准的在不同区域之间进行湍流模型的切换，进而针对氢气竖炉内部气固耦合运动建模能取得更为精准结果。

本发明授权基于物理信息神经网络增强的氢气竖炉气固耦合建模方法在权利要求书中公布了：1.一种基于物理信息神经网络增强的氢气竖炉气固耦合建模方法，其特征在于，步骤为： 步骤一：针对SSTk-ω模型的混合函数，使用基于神经网络的动态调整机制将混合函数的参数转化为可微分的Neural-ODE网络形式； 步骤二：从大量采集的气流与炉膛运行状态相关的纯氢竖炉数据中，提取和归一化变量，将这些预处理后的数据送入NeuralODE网络，输出增强混合函数的核心变量W和θ； 步骤三：建立基于深度神经网络的SSTk-ω模型计算框架，构建网络以预测氢气速度场和压力场，同时将湍流动能k和湍流频率ω作为关键变量，与空间位置和时间相关联； 步骤四：利用网络输出的速度场、压力场，以及对应的微分关系，构建包含初始条件损失、边界条件损失和控制方程残差损失的总损失函数； 步骤五：通过Adam优化算法最小化总损失函数，迭代更新网络参数以降低误差； 步骤六：在优化完成后，使用训练好的PINN网络直接传播流体流动结果，根据实际采集数据作为基准，输出最终的速度和压力场分布； 步骤七：基于PINN网络输出的速度和压力场分布，进一步结合固相建模，使用离散单元法计算固体颗粒间的受力，并基于牛顿定律建立固体颗粒运动方程，通过曳力模型将气相和固相的运动方程耦合，实现气固耦合求解； 在步骤一中，针对SSTk-ω模型混合函数进行增强，首先对混合函数进行定义以及参数化增强；进行过参数化的SSTk-ω模型的流体运动控制方程如下： 其中ρ和u分别代表流体的密度和速度分量，k和ω分别代表湍流动能和湍流频率，Pk代表湍流动能的生成项，表示了平均流场的剪切作用而产生的湍流动能，作为修正项避免数值不稳定的情况存在；F1作为增强之后的混合函数用于进行k-ω和k-∈模型的平滑过渡，函数表达式如下： 上述公式中，α、β、σω为经验常数，根据情况可进行微调，y为计算区域与壁面的法向距离，vt为运动粘度，σk和σω是湍流黏性扩散系数，W和θ作为增强系数，增强混合函数的动态拟合能力，使用NeuralODE对参数化混合函数进行拟合。

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浙江大学;冶金自动化研究设计院有限公司，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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。