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
专利交易 商标交易 积分商城 国际服务 IP管家助手 科技果 科技人才 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 同济大学李奇获国家专利权

同济大学李奇获国家专利权

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!

龙图腾网获悉同济大学申请的专利一种集群学习Kriging驱动的桥梁数字孪生建模更新系统及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:CN120911264B

龙图腾网通过国家知识产权局官网在2026-04-03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:202511009490.6,技术领域涉及:G06F30/27;该发明授权一种集群学习Kriging驱动的桥梁数字孪生建模更新系统及方法是由李奇;梁浩;郑越设计研发完成,并于2025-07-22向国家知识产权局提交的专利申请。

一种集群学习Kriging驱动的桥梁数字孪生建模更新系统及方法在说明书摘要公布了:本发明属于数字孪生技术领域,具体提供一种集群学习Kriging驱动的桥梁数字孪生建模更新系统及方法,包括:数据采集与处理模块,用于得到实际桥梁结构的性能特征信息;数字孪生模型构建模块,用于构建桥梁数字孪生模型,处理得到模拟桥梁结构的性能特征信息;目标函数构建模块,用于构建残差目标函数,并基于残差目标函数获取优化变量以及优化变量的参数空间;寻优模块,用于利用多学习函数并行驱动的集群优化机制引导Kriging代理模型在参数空间中搜索最优参数;模型更新模块,用于通过最优参数更新桥梁数字孪生模型。本发明有效提高了桥梁结构状态识别精度并降低了模型更新成本,适用于复杂工况下的桥梁性能预测与运维管理。

本发明授权一种集群学习Kriging驱动的桥梁数字孪生建模更新系统及方法在权利要求书中公布了:1.一种集群学习Kriging驱动的桥梁数字孪生建模更新系统,其特征在于,包括: 数据采集与处理模块,用于利用部署于在役桥梁的传感器,采集预设工况下的实际桥梁结构响应数据,并处理得到实际桥梁结构的性能特征信息; 数字孪生模型构建模块,用于构建桥梁数字孪生模型,模拟所述预设工况下的桥梁结构响应数据,并处理得到模拟桥梁结构的性能特征信息; 目标函数构建模块,用于利用所述实际桥梁结构的性能特征信息与模拟桥梁结构的性能特征信息,构建残差目标函数,并基于所述残差目标函数获取优化变量以及所述优化变量的参数空间; 寻优模块,用于利用多学习函数并行驱动的集群优化机制引导Kriging代理模型在参数空间中搜索最优参数; 模型更新模块,用于通过最优参数更新所述桥梁数字孪生模型,完成桥梁数字孪生的构建与跟踪; 所述目标函数构建模块中,构建所述残差目标函数的过程包括: 从所述实际桥梁结构响应数据中提取实际桥梁自振频率,利用所述桥梁数字孪生模型得到模拟桥梁自振频率; 基于实际桥梁自振频率以及模拟桥梁自振频率,以桥梁横弯与竖弯基频为目标频率,构建所述残差目标函数; 残差目标函数形式如下: , 式中,为待更新参数;与分别为模拟频率与对应实测结果;为目标频率数目; 所述寻优模块包括: 初始样本构建单元,用于在所述参数空间中选取初始输入样本点,并计算所述初始输入样本点对应的响应输出,构建初始建模样本; 代理模型构建单元,用于基于所述初始建模样本,构建初始Kriging代理模型; 第一寻优单元,用于在所述参数空间内搜索最优参数,并对所述最优参数进行收敛性评估,若满足预设收敛条件,则当前搜索结果作为全局最优解输出,终止迭代;否则执行第二寻优单元,进入下一轮优化; 第二寻优单元,用于根据所述残差目标函数构建主动学习函数集群,并基于不同计算节点分别对所述主动学习函数集群并行执行子优化过程,获得若干最优新输入样本点;第二寻优单元中,利用最大均方差函数MSE、期望改进函数EI、最小代理模型预测函数MSP以及置信下界函数LCB构建主动学习函数集群,即多学习函数;并基于不同计算节点,分别对学习函数集群并行执行子优化过程,从而获取多个最优新输入样本点;各函数及采样准则如下: MSE的表达式为,特征描述为模型均方差估计值,采样准则为; EI的表达式为,特征描述为当前最优值与全局搜索的平衡趋势,采样准则为; MSP的表达式为,特征描述为模型预测均值,采样准则为; LCB的表达式为,特征描述为基于模型预测的不确定性惩罚,采样准则为; 为当前模型最优值;与分别为标准正态累计分布函数与概率密度函数; 相关性评估单元,用于评估所述最优新输入样本点之间以及所述最优新输入样本点与所述初始输入样本点的空间相关性,并删除所述空间相关性不满足预设阈值的冗余样本点; 样本扩充单元,用于在不同计算节点中并行计算删除冗余样本点的最优新输入样本点对应的响应输出,获得新加点样本,并扩充至所述初始建模样本中; 代理模型更新单元,用于基于扩充后的初始建模样本更新所述初始Kriging代理模型,并返回第一寻优单元,继续迭代优化直至满足预设收敛条件。

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同济大学,其通讯地址为:200082 上海市杨浦区四平路1239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。