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！

龙图腾网获悉贵州省矿山安全科学研究院有限公司申请的专利基于机器学习的地聚物制备优化方法及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：CN120977443B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202511506146.8，技术领域涉及：G16C20/70；该发明授权基于机器学习的地聚物制备优化方法及系统是由李青松;金海;司美艳;林益超;雷以柱;黄建洪设计研发完成，并于2025-10-21向国家知识产权局提交的专利申请。

本基于机器学习的地聚物制备优化方法及系统在说明书摘要公布了：本发明提供一种基于机器学习的地聚物制备优化方法及系统。应用于材料科学与机器学习技术领域，所述方法包括：采集地聚物制备实验数据并进行预处理；基于四种机器学习回归算法对地聚物性能进行非线性回归建模，构建地聚物性能预测模型；根据各机器学习模型在验证集上的均方误差计算并分配权重，加权融合得到性能预测结果；接收用户输入的目标性能参数和初始的原材料配比范围，利用训练好的地聚物性能预测模型进行性能预测，通过优化算法反向搜索满足目标性能约束的最佳配比组合；根据所述最佳配比组合，制备地聚物制备煤矸石‑矿渣‑粉煤灰地聚物注浆材料。本发明有效提升了预测精度与模型泛化能力，实现原材料配比的智能推荐与性能精准预测。

本发明授权基于机器学习的地聚物制备优化方法及系统在权利要求书中公布了：1.一种基于机器学习的地聚物制备优化方法，其特征在于，包括以下步骤： S1、采集地聚物制备实验数据，包括固体原材料参数、激发剂参数及性能输出指标，并对实验数据进行缺失值填补、异常值剔除、特征缩放、标准化、编码及数据集划分； S2、基于四种机器学习回归算法对地聚物性能进行非线性回归建模，构建融合四个机器学习模型的地聚物性能预测模型，建立原材料配比与性能的非线性映射关系，包括： 根据Rational-Minkowski核函数，构建改进型核函数支持向量回归模型，其中，Rational-Minkowski核函数的表达式为： ； 其中，为样本输入向量，n是样本数量；表示闵可夫斯基距离的阶范数，p∈[1,3]，用于调节闵可夫斯基距离的范数阶数；τ为尺度参数且τ0，用于控制核函数的宽度；q为指数调节参数且q∈[1,5]，用于控制核函数衰减速度； 构建分段高斯过程回归模型，包括： 输入空间划分：基于主成分分析以及K-means聚类或专家知识规则，将地聚物配比输入空间划分为M个子区间，每个子区间满足局部数据稳定性； 局部模型训练：对每个子区间独立训练高斯过程回归子模型，并为其选择核函数类型及超参数；所述核函数包括平方指数核函数、Matérn32核函数或RationalQuadratic核函数； 分段预测集成：对于测试样本，判断其所属子区间，使用对应的子模型进行预测；若位于边界区域，则通过加权平均融合相邻子模型的预测结果，包括： ； ； 其中，：预测均值，表示在给定输入条件下地聚物性能指标的条件期望估计值；：预测方差，表示对预测均值的不确定性或置信度的量化度量；为测试输入样本；为总的子区间或子模型数目；表示第个子模型在处的预测均值；表示第个子模型在处的预测方差；为第个子模型的空间权重，满足归一化约束： ； 权重根据到各子区间中心的距离反比函数计算： ； 其中，表示测试输入样本与第个子区间中心的欧式距离； 超参数优化：通过最大化对数边际似然函数估计各子模型的超参数； 正则化邻域成分分析模型，通过最小化包含L2正则项的损失函数学习特征权重，定义特征加权距离度量； 基于Levenberg-Marquardt算法的人工神经网络模型； S3、根据各机器学习模型在数据集中的验证集上的均方误差来计算并分配权重，加权融合得到性能预测结果； S4、接收用户输入的目标性能参数和初始的原材料配比范围，利用训练好的地聚物性能预测模型进行性能预测，通过优化算法反向搜索满足目标性能约束的最佳配比组合； S5、根据所述最佳配比组合，制备地聚物制备煤矸石-矿渣-粉煤灰地聚物注浆材料。

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贵州省矿山安全科学研究院有限公司，其通讯地址为：550025 贵州省贵阳市花溪区花溪乡竹林村大水沟；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。