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！

龙图腾网获悉长安大学申请的专利一种PC箱梁火灾下损伤识别预测方法及其监测预警系统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：CN120910809B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202511438881.X，技术领域涉及：G06F18/25；该发明授权一种PC箱梁火灾下损伤识别预测方法及其监测预警系统是由张岗;韩俊浩;王世超;周俊毅;陈博浩;丁宇航设计研发完成，并于2025-10-10向国家知识产权局提交的专利申请。

本一种PC箱梁火灾下损伤识别预测方法及其监测预警系统在说明书摘要公布了：本发明公开了一种PC箱梁火灾下损伤识别预测方法及其监测预警系统，属于桥梁安全风险评估技术领域，包括：选择构建PC箱梁火灾预应力损失及抗弯承载能力损失的特征；基于选择的特征，构建火灾下PC箱梁预应力损失数据库及抗弯承载能力损失数据库；对预应力损失数据库及抗弯承载能力损失数据库中的各类原始数据进行预处理，将各参数转换为可供机器学习模型分析的格式，并将数据集划分训练集和测试集；基于训练集和测试集，分别对预应力损失及抗弯承载能力损失对应模型的超参数进行优化；对优化后的模型进行性能评估、结果可视化处理及SHAP可解释性分析，并将其应用于PC箱梁火灾下损伤识别预测。本发明解决了现有技术预测误差大的问题。

本发明授权一种PC箱梁火灾下损伤识别预测方法及其监测预警系统在权利要求书中公布了：1.一种PC箱梁火灾下损伤识别预测方法，其特征在于，包括以下步骤： S1：选择构建PC箱梁火灾预应力损失及抗弯承载能力损失的特征，包括桥梁基本信息、截面几何参数、材料指标和火灾场景； S2：基于选择的特征，构建火灾下PC箱梁预应力损失数据库及抗弯承载能力损失数据库； S3：对预应力损失数据库及抗弯承载能力损失数据库中的各类原始数据进行预处理，将各参数转换为可供机器学习模型分析的格式，并将数据集划分训练集和测试集； S4：基于训练集和测试集，分别对预应力损失及抗弯承载能力损失对应模型的超参数进行优化； 对预应力损失对应模型的超参数进行优化，包括以下分步骤： A1：基于训练集和测试集，对预应力损失原始数据特征进行处理，利用原始特征生成多项式特征； A2：从统计角度描述每个样本的特征分布空间，并进行统计特征提取； A3：基于统计特征提取结果，将前十个重要特征两两相乘，创建交互特征，生成交互特征数量； A4：将多项式特征、统计特征和交互特征组合的所有生成的特征按顺序组合成一个矩阵，同时进行特征拓展； A5：基于特征拓展结果，进行特征数据标准化； A6：基于特征数据标准化结果，进行特征选择，以随机森林作为评估器，计算每个特征的重要性得分，并根据阈值选择重要特征； A7：基于重要特征，通过多模型初始化，对预应力损伤预测模型采取并行训练，并进行评估计算，获得表现最佳的模型，并对其进行超参数优化； A8：将模型进行集成学习，采用两层Stacking集成结构，选取表现最佳的模型GradientBoosting、RandomForest、ExtraTrees和XGBoost作为基学习器，并选取随机森林、梯度提升树、岭回归和Lasso回归四种元学习器进行组合，通过3折交叉验证，选择综合评定分数最高的集成模型作为最佳集成模型； A9：对比单一最佳模型与集成模型性能，将基于GradientBoosting、RandomForest、ExtraTrees和XGBoost为基学习器，Lasso回归为元学习器的集成模型作为火灾下PC箱梁预应力损失预测模型； 对抗弯承载能力损失对应模型的超参数进行优化，包括以下分步骤： B1：采用Optuna框架通过TPE算法对XGBoost和SVR基学习器及Ridge元学习器进行超参数优化； B2：基于优化结果，将XGBoost和SVR基学习器的预测结果拼接为元特征，训练Ridge元学习器，并结合MedianPruner剪枝策略动态淘汰低效参数组合，获得全局最优参数； B3：基于全局最优参数，构建预处理管道和基模型，最终训练Ridge元模型形成两层堆叠结构； S5：对优化后的模型进行性能评估、结果可视化处理及SHAP可解释性分析，并将其应用于PC箱梁火灾下损伤识别预测。

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长安大学，其通讯地址为：710064 陕西省西安市雁塔区南二环路中段；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。