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！

龙图腾网获悉中国铁道科学研究院集团有限公司铁道建筑研究所;中国铁道科学研究院集团有限公司申请的专利基于特征分析-机器学习的离散元接触参数预测方法和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：CN120409168B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202510905958.3，技术领域涉及：G06F30/25；该发明授权基于特征分析-机器学习的离散元接触参数预测方法和系统是由李泰灃;刘振宇;邓逆涛;陈锋;张千里;闫宏业;程远水;王立军;程智博;杨慧莹;王李阳;李竹庆;闫鑫;朱丙龙;苏珂;郭惠芹;刘晓贺;梁经纬;王瑞鹏;王瑜鑫设计研发完成，并于2025-07-02向国家知识产权局提交的专利申请。

本基于特征分析-机器学习的离散元接触参数预测方法和系统在说明书摘要公布了：本发明公开一种基于特征分析‑机器学习的离散元接触参数预测方法，包括：根据软岩颗粒特性及模具材质参数选择进行接触参数标定的离散元线性平行黏结模型，并确定模型参数及取值范围；基于少量单轴压缩和巴西劈裂试验获取离散元线性平行黏结模型的接触参数，并基于接触参数构成接触参数‑软岩宏观特征低保真数据集；基于灰色关联分析GRA、Pearson相关性分析和互信息MI确定影响软岩宏观特征的关键接触参数；基于大量单轴压缩和巴西劈裂试验获取接触参数‑宏观特征高保真数据集；基于机器学习建立离散元线性平行黏结模型关键接触参数预测模型；确定线性平行黏结模型关键接触参数最优预测模型。还公开了对应的系统、电子设备及计算机可读存储介质。

本发明授权基于特征分析-机器学习的离散元接触参数预测方法和系统在权利要求书中公布了：1.一种基于特征分析-机器学习的离散元接触参数预测方法，其特征在于，基于线性平行黏结模型关键接触参数最优预测模型进行离散元接触参数预测，所述方法包括： S1，根据软岩颗粒特性及模具材质参数选择进行接触参数标定的离散元线性平行黏结模型，并确定待标定的离散元线性平行黏结模型的模型参数及模型参数取值范围； S2，基于少量单轴压缩和巴西劈裂试验获取所述离散元线性平行黏结模型的接触参数，所述接触参数为影响软岩宏观特征的主要细观参数，并将所述主要细观参数构成接触参数-软岩宏观特征低保真数据集；其中，所述软岩宏观特征包括强度和变形； S3，基于灰色关联分析GRA、Pearson相关性分析和互信息MI确定影响软岩宏观特征的关键接触参数； S4，基于大量单轴压缩和巴西劈裂试验获取接触参数-宏观特征高保真数据集； S5，基于机器学习建立离散元线性平行黏结模型关键接触参数预测模型； S6，确定线性平行黏结模型关键接触参数最优预测模型； 所述S2包括： S21，获取基于单轴压缩试验进行数值模拟的与离散元线性平行黏结模型对应的第一接触参数-软岩宏观特征低保真数据集； S22，获取基于巴西劈裂试验进行数值模拟的与离散元线性平行黏结模型对应的第二接触参数-宏观特征低保真数据集；其中选择抗拉强度σt作为巴西劈裂试验指标； S23，将所述第一接触参数-宏观特征低保真数据集和所述第二接触参数-宏观特征低保真数据集进行拼接形成所述接触参数-软岩宏观特征低保真数据集； 所述S21包括： 1确定单轴压缩试验所需的参数，包括： 几何参数，包括：试样的轴向长度L、试样的宽度W、孔隙率n、试样的半径R、试样的长度半径比LR、颗粒或孔隙特征单元最大尺寸Rmax和颗粒或孔隙特征单元最小尺寸Rmax；颗粒或孔隙特征单元最大尺寸最小尺寸比RmaxRmin； 材料及变形参数，包括：颗粒密度ρb、颗粒-颗粒线性有效模量Eb2、颗粒-颗粒黏结有效模量、颗粒-颗粒刚度比krb2、颗粒-颗粒黏结有效刚度比和颗粒-颗粒摩擦系数μ； 强度参数，包括：平行黏结抗拉强度σt、平行黏结抗剪强度τc和内摩擦角； 颗粒与墙间的摩擦系数μbw； 所述S5包括： S51，基于弹性模量、抗压强度、抗拉强度σt和拉压比k构建关键接触参数颗粒-颗粒粘结有效模量、颗粒-颗粒粘结刚度比和平行黏结抗剪强度τc的数据集； S52，将所述接触参数-宏观特征高保真数据集按照一定比例划分为训练集Ttrain和测试集Ttest；其中，所述训练集Ttrain用于建立机器学习模型和测试集Ttest用于测试机器学习模型的性能； S53，建立基于训练集Ttrain的机器学习模型，包括： 1基于典型机器学习预测算法预测关键接触参数颗粒-颗粒粘结有效模量、颗粒-颗粒粘结刚度比和平行黏结抗剪强度τ，建立机器学习模型；其中，所述典型机器学习预测算法包括反向传播神经网络、支持向量回归机和XGBoost； 2基于粒子群优化算法优化离散元线性平行黏结模型的超参数从而获得最优超参数； 3将所述训练集Ttrain输入所述机器学习模型，基于所述最优超参数训练所述机器学习模型。

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中国铁道科学研究院集团有限公司铁道建筑研究所;中国铁道科学研究院集团有限公司，其通讯地址为：100081 北京市海淀区大柳树路2号二区303幢；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。