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！

龙图腾网获悉上海振华重工(集团)股份有限公司申请的专利一种基于强化学习的钢箱梁三维模型成本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：CN119941340B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202510152841.2，技术领域涉及：G06Q30/0283；该发明授权一种基于强化学习的钢箱梁三维模型成本预测方法是由周恩先;冯剑敏;郭俊华;苏成成设计研发完成，并于2025-02-12向国家知识产权局提交的专利申请。

本一种基于强化学习的钢箱梁三维模型成本预测方法在说明书摘要公布了：本发明提出了一种基于强化学习的钢箱梁三维模型成本预测方法，通过智能算法对钢箱梁三维模型中的数据进行深度挖掘，提高成本预测的精度与效率。对钢箱梁的三维模型数据进行预处理，将原始数据转换为标准化格式，提取几何特征、材料属性和结构复杂度等多维度信息；利用深度强化学习算法构建成本预测模型，通过优化奖励函数和训练策略，使模型能够逐步逼近实际制造成本；通过将模型预测结果与实际项目数据进行对比，验证泛化能力与预测精度；通过可视化工具将预测结果叠加到三维模型中，直观展示高成本区域，为工程设计优化和资源分配提供决策支持。该方法不仅提高了钢箱梁制造成本预测的准确性，还为其他复杂结构的成本预测提供了可行的技术方案。

本发明授权一种基于强化学习的钢箱梁三维模型成本预测方法在权利要求书中公布了：1.一种基于强化学习的钢箱梁三维模型成本预测方法，其特征在于： 将钢箱梁三维模型数据预处理，提取和分析特征，构建与训练强化学习模型，优化与评估模型，对模型进行成本预测，并显示预测结果，周期性更新模型训练数据； 所述的提取和分析特征是将提取所述钢箱梁的几何特征，包括板厚、尺寸、体积，提取材料属性包括材质种类、密度、抗拉强度，提取结构复杂度，包括焊缝长度、节点密度，再一步，按照主结构，包括顶板、底板和腹板，还按照次结构，包括U肋和加劲件，对模型数据进行分级存储至关系型数据库和图数据库中，生成用于强化学习的多维输入特征向量； 所述的构建与训练强化学习模型是指使用深度强化学习算法构建模型，将钢箱梁各构件的特征作为状态空间，构件的成本预测值作为动作空间，进而设计奖励函数，根据实际制造成本和预测成本的差异值最小化预测误差，所述的强化学习算法采用深度Q学习算法对模型进行训练，通过经验回放优化预测路径，使模型逐步逼近实际成本； 所述的优化与评估模型是指使用历史项目数据训练模型，生成预测成本，通过验证集计算误差指标，包括均方误差MSE和平均绝对误差MAE，若误差超出阈值，调整模型参数及奖励函数，不断优化模型； 所述的模型进行成本预测，关键在于在训练完成的模型中输入新的钢箱梁三维模型数据，输出各构件及整体的制造成本预测值，通过可视化工具将预测结果叠加到三维模型中，以颜色编码形式直观显示高成本区域，辅助工程设计优化和资源分配，基于实际项目反馈的数据，周期性更新模型训练数据； 所述三维模型数据预处理过程中采用分层存储结构，包括构件表，所述的构件表存储每个构件的几何特征、材料属性及复杂度指标，还包括关系表，所述的关系表存储构件之间的连接关系，包含连接类型及连接位置，还包括特征向量表，所述的特征向量将所有构件特征向量化，生成输入强化学习模型的特征数据； 所述强化学习模型使用深度Q学习算法，包括构建由输入层、隐层和输出层组成的深度神经网络，输入层接收钢箱梁构件的多维特征向量，包括几何特征、材料属性和结构复杂度，输出层对应每个可能动作的Q值，用于指导构件成本的预测，引入目标网络，与在线网络保持固定的参数更新间隔，所述的目标网络的参数通过在线网络的软更新规则进行更新，公式为： ，其中，θ为在线网络参数，θ′为目标网络参数，τ为软更新因子，采样历史训练数据存储于经验池中，通过随机抽样小批量数据进行训练，打破数据时间相关性并提升训练效率，根据历史样本的重要性分配采样概率，对奖励较高或误差较大的样本优先进行训练，使用ε-贪心策略动态调整探索率ε，初期以较高的概率选择随机动作增加探索多样性，后期逐渐降低ε，选择高Q值动作。

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上海振华重工(集团)股份有限公司，其通讯地址为：200125 上海市浦东新区东方路3261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。