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！

龙图腾网获悉四川大学申请的专利一种适用于预测非线性楼层加速度反应谱的深度学习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：CN116415623B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202310182776.9，技术领域涉及：G06N3/0442；该发明授权一种适用于预测非线性楼层加速度反应谱的深度学习方法是由王健泽;江永清;黄勤勇;戴靠山;罗宇骁设计研发完成，并于2023-03-01向国家知识产权局提交的专利申请。

本一种适用于预测非线性楼层加速度反应谱的深度学习方法在说明书摘要公布了：本发明公开了一种适用于预测非线性楼层加速度反应谱的深度学习方法，属于地震工程技术领域；该深度学习方法中由具有注意力机制的双向卷积长短期记忆网络和深度残差回归网络两部分组成，采用多尺度滑动窗口的方法对数据进行预处理并输入到具有注意力机制的双向卷积长短期记忆网络模型中进行训练，得到任意结构中顶层楼层加速度反应谱；利用深度残差回归网络模型进行回归训练，并利用回归分析得到的层间反应谱比例因子对顶层楼层加速度反应谱进行调整，进而得到任意楼层的加速度反应谱。本发明的深度学习方法实现了一个模型对任意结构中任意楼层加速度反应谱精准预测的目的，且简化了复杂的物理建模过程，并提高了计算效率。

本发明授权一种适用于预测非线性楼层加速度反应谱的深度学习方法在权利要求书中公布了：1.一种适用于预测非线性楼层加速度反应谱的深度学习方法，其特征在于：包括以下步骤： S1、对带有时间戳的地震动和楼层加速度反应谱数据集GMS-FRS进行数据预处理： 将结构的顶层楼层加速度反应谱与对应的地震动反应谱分别按照各自的结构周期在时间轴上进行归一化预处理，并对归一化后的时间序列数据进行三次样条插值操作；将结构的楼层高度也进行同样的归一化预处理，并计算结构模态周期下每一层楼层的加速度反应谱值与顶层楼层加速度反应谱值之间的比例因子； S2、构建具有注意力机制的双向卷积长短期记忆网络模型： 由1-D卷积神经网络层、Bi-LSTM网络层、Attention注意力层和全连接层来构建具有注意力机制的双向卷积长短期记忆网络结构，四层网络设置在结构中的input层和output层之间，其中1-D卷积神经网络层由数个一维卷积神经单元组成，位于1-D卷积神经网络层和output输出层之间的两端分别设置一个全连接层，前端的全连接层由多个神经单元构成，后端的全连接层由一个神经单元构成； S3、输入由步骤S1处理后的地震动和楼层加速度反应谱数据集进行具有注意力机制的双向卷积长短期记忆网络模型训练： 将上述步骤S1中预处理后的地震动和楼层加速度反应谱数据视为多元时间序列特征，通过多尺度滑动窗口内观察的数据，将第个观察到的数据输入到上述步骤S2中构建的模型中进行训练；首先通过1-D卷积神经网络层搭建残差块和全连接层，利用1-D卷积神经网络对输入数据进行特征提取，获取时间序列的隐藏表示与序列中上下文向量的相似度信息，并通过时间步计算出条件概率分布的重要性权重，再经Attention注意力层将汇总向量Ct计算为所有隐藏状态ht到ht-1基于权重的加权和，并将汇总向量Ct和当前时刻的隐藏状态ht相结合来生成注意力向量h*，最后将得到的注意力向量h*前向传播到全连接层来预测下一时刻的数据，最终得到任意结构中的顶层楼层加速度反应谱FTotal； 其中，=MishWwht+bw，式中，Mish表示为Mish激活函数，Ww为隐藏状态的权重系数，bw为隐藏状态的偏置系数； ，式中，exp表示为自然指数函数，表示为ht的隐藏表示； ，式中，hi表示为当前时刻的隐藏状态； h * =fCt,ht=MishWc[Ct;ht]，式中，Wc为汇总向量Ct的权重系数； S4、搭建深度残差回归网络模型： 由五个深度残差块、一个Flatten层和三个全连接层来搭建深度残差回归网络结构，其中第一层卷积层采用普通一维卷积，其余卷积层都采用深度一维卷积，每个深度残差块包含两个深度一维卷积层、两个PReLU非线性激活函数、一个跳跃连接和一个最大池化层； S5、输入归一化的楼层高度进行深度残差回归网络模型的回归训练： 将上述步骤S1中归一化后的楼层高度以及每一层楼层的加速度反应谱与顶层楼层加速度反应谱的比例因子作为模型的输入进行回归训练，并利用数个深度残差模块对数据进行特征的自动提取和交互融合，经Flatten层将数据扁平化后前向传播到全连接层实现对归一化楼层高度和比例因子的回归分析，并通过选取结构中非线性楼层加速度反应谱中模态周期处的第一周期与第二周期处的峰值FT1与FT2、0点处的初始值FT0以及模态周期处峰值点之间的最小值FTmin这四点处的比例因子来获得层间反应谱比例因子St； 其中层间反应谱比例因子St的计算公式为：， 式中，表示结构任一楼层在周期为i处的反应谱值，表示结构的顶层楼层在周期为i处的反应谱值； S6、将结构中的顶层楼层加速度反应谱和层间反应谱比例因子相结合输入深度残差回归网络模型进行回归分析： 将上述步骤S3中得到的任意结构中的顶层楼层加速度反应谱按下式拟合为三段式标准化反应谱，具体公式为： ， 式中，C，为常数，βmax代表最大放大倍数，X代表任意结构中某一楼层的反应谱向量，θ代表与反应谱向量中相对应的权重系数，t代表周期值，t0、tg、tm表示三段式标准化反应谱中各段的最大周期值； 采用顶层标准化反应谱和上述步骤S5中得到的层间反应谱比例因子St结合输入模型中进行回归训练，训练其获得任意结构中任意楼层加速度反应谱，利用反应谱比例因子St对顶层楼层标准化反应谱曲线进行调整，最终得到具有双峰特性的任意结构中任意楼层的标准化加速度楼层反应谱。

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四川大学，其通讯地址为：610065 四川省成都市一环路南一段24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。