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！

龙图腾网获悉中国科学院力学研究所申请的专利一种砂土中单桩基础p-y曲线机器学习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：CN120654297B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202510719089.5，技术领域涉及：G06F30/13；该发明授权一种砂土中单桩基础p-y曲线机器学习预测方法是由李彪;漆文刚;宋庆凯;汪宁;高福平设计研发完成，并于2025-05-30向国家知识产权局提交的专利申请。

本一种砂土中单桩基础p-y曲线机器学习预测方法在说明书摘要公布了：本发明提供了一种砂土单桩基础p‑y曲线预测方法，是首先，整合砂土的物理性质参数与桩基的几何特性作为核心输入变量，用以训练先进的XGBoost预测模型。随后，针对目标p‑y曲线上的一系列土体反力p及其相关输入特征输入至已训练的XGBoost模型中，以获取p的精确预测值。最终，将XGBoost模型输出的预测结果及其配套输入特征导入GPR模型，从而生成高精度的目标p‑y曲线。本发明不仅为砂土单桩基础的p‑y曲线预测提供了一个既科学又高效的解决方案，而且凭借其出色的计算速度和预测精度，尤其适用于复杂多变的不均匀砂土地基场景。此外，该技术展现出强大的泛化应用能力，为海上风电领域大直径单桩基础的设计提供了宝贵的指导与参考。

本发明授权一种砂土中单桩基础p-y曲线机器学习预测方法在权利要求书中公布了：1.一种砂土中单桩基础p-y曲线机器学习预测方法，其特征在于，具体包括以下步骤： 1首先，整合砂土的物理性质参数与桩基的几何特性作为核心输入变量，用以训练优化XGBoost预测模型；具体是： 对砂土物性参数和单桩的几何参数数据进行无量纲化处理： 3； 4； 上式3和式4中Dr是相对密度，是临界摩擦角，γ'为有效重度，γw为水的重度，D为桩径，Lp为埋深，z为深度，y为横向变形，p是土体的侧向阻力，为变形机制无量纲数，zD是深度无量纲数，yD是变形无量纲数，为重度之比； 2随后，针对目标单桩指定深度位置处的p-y曲线上的一系列土体反力p及其相关核心输入变量输入至训练好的XGBoost预测模型中，以获取p的精确预测值，即： 将预设砂土特定深度位置处即公式4中的六个无量纲核心输入变量Dr、、、zD、yD和导入到训练后的XGBoost模型中，XGBoost模型会根据之前训练得到的决策树结构，从根节点开始，根据输入变量的值依次遍历决策树的分支，最终到达叶子节点；每个叶子节点对应一个预测值，将所有决策树对应叶子节点的预测值相加，得到最终的土体反力p的预测值，计算公式如下： 5； 其中表示第k棵决策树对输入的预测值； 最终得到目标p-y曲线上一系列不同变形下的预测值； 3最终，将XGBoost预测模型输出的预测值及其核心输入变量导入GPR模型，从而生成高精度的目标p-y曲线；GPR模型的构建过程为： 3.1给定一个训练数据集，输入数据被称为设计矩阵，而表示预期输出的向量； 将需要评估的桩基指定深度的不同变形及其它核心输入特征集合导入训练优化后的XGBoost预测模型中，生成一系列与核心输入特征值一一对应的离散预测值； 3.2将XGBoost预测模型输出的离散预测值及核心输入变量集合即公式4中的六个无量纲核心输入变量Dr、、、zD、yD和作为输入，离散预测值及上述核心输入变量集合作为训练集去训练GPR模型； 3.3通过RBF核函数构建高斯过程 RBF核函数适用于平滑的p-y曲线，通过最大化边缘似然优化核参数； 3.4再次输入用于训练GPR模型的核心输入特征，将GPR输出的预测值连接即可生成一条光滑的p-y曲线。

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中国科学院力学研究所，其通讯地址为：100190 北京市海淀区北四环西路15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。