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

龍圖騰網獲悉吉林大學申請的專利一種基于物理約束的深度學習巖石凍融損傷預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120510951B 。

龍圖騰網通過國家知識產權局官網在2025-09-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202511009682.7，技術領域涉及：G16C20/30；該發明授權一種基于物理約束的深度學習巖石凍融損傷預測方法是由于清楊;劉涵;劉東;戴振學;林清巖設計研發完成，并于2025-07-22向國家知識產權局提交的專利申請。

本一種基于物理約束的深度學習巖石凍融損傷預測方法在說明書摘要公布了：本發明屬于巖石凍融損傷預測技術領域，涉及一種基于物理約束的深度學習巖石凍融損傷預測方法，用于提升巖石凍融損傷預測模型的物理一致性與預測精度；本方法在數據驅動的深度學習模型中引入物理約束公式，并利用自適應權重策略實現數據擬合與物理合理性的有機統一。預測方法包括數據采集，生成數據集，網絡構建，物理約束機制公式設計，根據巖石凍融實驗觀察，或者理論公式推導，設計反映各項物理性能演變的公式，模型訓練，預測輸出。本發明基于物理約束的深度學習巖石凍融損傷預測方法具有泛化能力顯著提升，物理連續性和一致性更強，多參數和多源數據綜合應用，分階段自適應訓練策略，成本和資源節約，操作簡便與便于應用推廣的優勢。

本發明授權一種基于物理約束的深度學習巖石凍融損傷預測方法在權利要求書中公布了：1.一種基于物理約束的深度學習巖石凍融損傷預測方法，其特征在于，包括以下步驟： 步驟A，數據采集：測量巖樣的巖石的初始指標、環境參數以及凍融損傷指標； 步驟B，生成數據集：劃分巖石初始參數和環境參數為輸入值，劃分預測目標作為輸出值，對數據進行標準化處理；將數據分成70%的訓練集、10%的驗證集和20%的測試集；再將數據封裝成數據集；使用熱獨編碼區分不同來源或不同種類的巖石樣本；使用標準化處理，將特征縮放到均值為0、標準差為1的分布；對特征矩陣進行擬合和轉換，得到標準化后的特征矩陣； 步驟C，網絡構建：根據數據集數據量選擇使用全連接神經網絡或Transformer端到端神經網絡；構建融合多項物理演化公式的混合型損失函數，該損失函數由數據擬合誤差項與多個具有明確物理含義的損傷指標誤差項共同構成，模型輸出值與真實觀測值之間的差異采用均方誤差度量；總損失函數由一項基礎的數據擬合誤差與若干個物理約束誤差項組成，每個物理項對應不同的損傷變量；使用ReLU激活函數作為非線性激活函數；使用Adam優化器進行優化； 步驟D，物理約束機制公式設計，對于抗壓強度、峰值應變、彈性模量、縱波波速、孔隙度、質量變化率損傷指標設計反映各項物理性能演變的公式，在神經網絡中定義物理約束公式參數； 對于抗壓強度，采用指數衰減模型描述凍融循環對巖石抗壓強度的累積破壞效應，并對溫度條件、圍壓、pH、層理傾角和飽和度進行修正，再考慮人為裂隙對損傷的額外貢獻，公式寫為： ， 其中，為初始抗壓強度，為可訓練參數，r T 為溫度下降率，T f 和T t 分別為凍結和融化溫度，P c 為圍壓，pH-7表示pH值偏離中性狀態的影響，N為凍融循環次數，為結構面調制函數，為飽和度調制函數，為圍壓調制函數，為人為裂隙額外損傷調制函數； 結構面效應調制函數定義為： ， 其中，θ b 是結構面傾角，ρ 1為可訓練參數； 飽和度調制函數定義為： ， 其中，S為飽和度，ω 1為可訓練參數； 圍壓調制函數定義為： ， 其中，θ 1為可訓練正數參數； 人為裂隙額外損傷調制函數定義為： ， 其中，A crack 為是否存在人工裂隙，θ c 為裂隙角，L c 與w c 分別為裂隙長度和寬度，50為參考尺度，對應巖石柱體直徑50，θ bedding 為結構面傾角，ξ i 為可訓練參數； 對于彈性模量，構造函數用以描述凍融后巖石彈性模量的降低： ， 其中，E 0 為初始彈性模量，β i 為可訓練參數； 對于峰值應變，構造如下公式： ， 其中，為初始峰值應變，γ i 為可訓練參數； 對于縱波波速，主要與凍融后彈性模量與凍融后孔隙率相關，定義如下： ， 其中，V 0為初始縱波波速，η i 為可訓練參數； 對于孔隙度，采用如下定義方法： ， 其中，為初始孔隙度，κ i為可訓練參數； 對于質量變化率，采用與孔隙度相似的定義方法： ， 其中，μ i 為可訓練參數； 步驟E，模型訓練：采用k折交叉驗證法調整超參數，使用早停法來停止訓練，以箱型圖表示所有的超參數組合的各方面指標；訓練過程中采用階段性物理權重調整機制，分三個階段調整物理公式權重；使用反向傳播更新物理約束公式參數；實時輸出并對比訓練集和驗證集上損失函數的表現，最終保存并使用表現最佳的模型； 步驟F，預測輸出：通過訓練好的模型輸入新的初始參數和環境參數，生成需要預測的凍融損傷變量。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人吉林大學，其通訊地址為：130012 吉林省長春市西民主大街938號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。