買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網獲悉西安熱工研究院有限公司;華能武漢發(fā)電有限責任公司申請的專利基于聯(lián)邦學習的鍋爐多區(qū)域CFD-AI建模方法及系統(tǒng)獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產權局授予，授權公告號為：CN119692245B 。

龍圖騰網通過國家知識產權局官網在2025-09-09發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202411929011.8，技術領域涉及：G06F30/28；該發(fā)明授權基于聯(lián)邦學習的鍋爐多區(qū)域CFD-AI建模方法及系統(tǒng)是由周東陽;萬松森;張驍;唐貝;鄭小剛;曹軍;崔旭朝;任浩設計研發(fā)完成，并于2024-12-25向國家知識產權局提交的專利申請。

本基于聯(lián)邦學習的鍋爐多區(qū)域CFD-AI建模方法及系統(tǒng)在說明書摘要公布了：本發(fā)明基于聯(lián)邦學習的鍋爐多區(qū)域CFD?AI建模方法及系統(tǒng)，屬于鍋爐監(jiān)測技術領域，該建模方法具體步驟如下：S1、模擬鍋爐的熱傳遞和流體行為，建立多區(qū)域CFD網格劃分，從鍋爐實際運行中收集并預處理各區(qū)域動態(tài)運行數(shù)據(jù)；S2、提取預處理后的動態(tài)運行數(shù)據(jù)的特征，依據(jù)提取的特征構建鍋爐多區(qū)域CFD?AI模型，并全局優(yōu)化鍋爐多區(qū)域CFD?AI模型；S3、動態(tài)調整全局優(yōu)化后的鍋爐多區(qū)域CFD?AI模型的結構和參數(shù)，增強鍋爐多區(qū)域CFD?AI模型的關鍵區(qū)域決策；本發(fā)明能夠提升模型訓練的高效性，節(jié)省大量通信資源，降低隱私泄露風險，并促進模型的跨區(qū)域適應性，顯著提升模型在復雜工況下的表現(xiàn)，能夠有效地處理多目標優(yōu)化問題，能夠更準確地預測和控制鍋爐在不同區(qū)域和工況下的表現(xiàn)。

本發(fā)明授權基于聯(lián)邦學習的鍋爐多區(qū)域CFD-AI建模方法及系統(tǒng)在權利要求書中公布了：1.基于聯(lián)邦學習的鍋爐多區(qū)域CFD-AI建模方法，其特征在于，包括如下步驟： S1、模擬鍋爐的熱傳遞和流體行為，建立多區(qū)域CFD網格劃分，從鍋爐實際運行中收集并預處理各區(qū)域動態(tài)運行數(shù)據(jù)； S2、提取預處理后的動態(tài)運行數(shù)據(jù)的特征，依據(jù)提取的特征構建鍋爐多區(qū)域CFD-AI模型，并全局優(yōu)化鍋爐多區(qū)域CFD-AI模型；所述全局優(yōu)化鍋爐多區(qū)域CFD-AI模型的具體步驟如下： 3.1：中央服務器將鍋爐多區(qū)域CFD-AI模型下發(fā)到各客戶端，作為客戶端的初始本地模型，并使用訓練完成后的模型參數(shù)和結構對各客戶端的本地模型進行初始化處理； 3.2：各客戶端使用本地采集到的各組動態(tài)運行數(shù)據(jù)訓練對應的本地模型，并以最小化損失函數(shù)為目標，使用反向傳播算法計算梯度并更新模型參數(shù)，各客戶端在完成多輪的本地訓練后，將本地訓練更新的最終模型參數(shù)傳輸至中央服務器； 3.3：中央服務器通過加權平均法計算每個客戶端的模型參數(shù)，并將其聚合成一個全局模型，再通過均值迭代更新全局模型，全局模型更新完成后，中央服務器將新的全局模型廣播到所有的客戶端，并更新各客戶端本地模型的參數(shù)信息； 3.4：各客戶端根據(jù)新的全局模型繼續(xù)在本地進行訓練，并進行下一輪的均值迭代，當中央服務器的全局模型參數(shù)更新的變化小于預設閾值、連續(xù)多輪的損失函數(shù)變化收斂至預設閾值或達到最大訓練輪數(shù)時，結束訓練； 3.5：使用優(yōu)化后的全局模型再次對測試集數(shù)據(jù)進行評估，檢驗其在未見數(shù)據(jù)上的性能表現(xiàn)，并將原有鍋爐多區(qū)域CFD-AI模型參數(shù)和結構替換為該全局模型參數(shù)和結構，將更新后的鍋爐多區(qū)域CFD-AI模型參數(shù)部署至實際鍋爐監(jiān)測平臺上； S3、動態(tài)調整全局優(yōu)化后的鍋爐多區(qū)域CFD-AI模型的結構和參數(shù)，增強鍋爐多區(qū)域CFD-AI模型的關鍵區(qū)域決策；所述動態(tài)調整全局優(yōu)化后的鍋爐多區(qū)域CFD-AI模型的結構和參數(shù)的具體步驟如下： 4.1：收集鍋爐多區(qū)域CFD-AI模型的結構與參數(shù)信息，隨機生成多組優(yōu)化體的位置，以表示模型空間中各組解，各優(yōu)化體的位置表示一個潛在的模型結構與參數(shù)組合，將各優(yōu)化體的參數(shù)代入全局優(yōu)化后的鍋爐多區(qū)域CFD-AI模型，使用驗證集評估其性能，將MSE損失函數(shù)的結果作為優(yōu)化體的適應度； 4.2：在迭代開始時，選擇適應度最高的三組優(yōu)化體，并分別定義為適應度最優(yōu)的Alpha體、適應度次優(yōu)的Beta體和適應度第三優(yōu)的Gamma體，同時記錄三組優(yōu)化體的位置； 4.3：通過根據(jù)Alpha體所在位置更新其余優(yōu)化體位置，以進行全局搜索，根據(jù)Beta體和Gamma體的所在位置對除Alpha體以外的其余優(yōu)化體的位置進行調整，以進行局部搜索，各優(yōu)化體位置更新結束后，檢測各優(yōu)化體位置是否滿足預設模型結構與參數(shù)邊界值，若超出預設的邊界值，則將其修正至邊界值，之后重復進行適應度計算、優(yōu)化體選取以及位置更新，直至Alpha體的適應度值變化收斂至預設范圍； 4.4：迭代結束后，將適應度最高的優(yōu)化體，即Alpha體對應的模型結構與參數(shù)組合作為最優(yōu)組合，并將其作為優(yōu)化后的鍋爐多區(qū)域CFD-AI模型參數(shù)，并用于最終部署； S4、評估鍋爐多區(qū)域CFD-AI模型的預測結果與實際數(shù)據(jù)之間的偏差，并調整決策路徑和模型結構，改進高維特征的擬合效果； S5、反復對鍋爐多區(qū)域CFD-AI模型進行訓練和更新，并通過最終模型進行實時預測，定期收集運行數(shù)據(jù)進行在線更新和優(yōu)化。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人西安熱工研究院有限公司;華能武漢發(fā)電有限責任公司，其通訊地址為：710048 陜西省西安市碑林區(qū)興慶路136號；或者聯(lián)系龍圖騰網官方客服，聯(lián)系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。