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！

龙图腾网获悉同济大学申请的专利一种基于物理约束神经网络的黏性粗粒土渗透系数预测方法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：CN121279145B 。

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：202511841247.0，技术领域涉及：G06F30/27；该发明授权一种基于物理约束神经网络的黏性粗粒土渗透系数预测方法是由陆志强;叶为民;卢普怀设计研发完成，并于2025-12-09向国家知识产权局提交的专利申请。

本一种基于物理约束神经网络的黏性粗粒土渗透系数预测方法在说明书摘要公布了：本申请公开了一种基于物理约束神经网络的黏性粗粒土渗透系数预测方法，包含以下步骤：开展室内黏性粗粒土渗流试验，建立考虑孔隙率与颗粒级配特征的黏性粗粒土渗透系数公式，进而构建含物理驱动项与神经网络数据驱动项的混合模型，在渗流试验的基础上通过数值模拟技术、文献调查补充采集黏性粗粒土样本的孔隙率、颗粒级配特征以及对应的渗透系数数据形成完整数据集，并划分为训练集、测试集，结合贝叶斯优化动态搜索最优超参数进行模型训练，得到损失函数曲线及黏性粗粒土在不同孔隙率与级配特征下的渗透系数，试验表明，本发明实现了黏性粗粒土渗透系数的高精度预测，解决了传统方法物理约束不足、预测精度低的问题。

本发明授权一种基于物理约束神经网络的黏性粗粒土渗透系数预测方法在权利要求书中公布了：1.一种基于物理约束神经网络的黏性粗粒土渗透系数预测方法，其特征在于，包括以下步骤： 步骤一，开展室内黏性粗粒土的渗流试验，建立考虑孔隙率与颗粒级配特征的黏性粗粒土渗透系数公式； 步骤二，构建含物理驱动项与神经网络数据驱动项的混合模型； 步骤三，在步骤一渗流试验的基础上通过数值模拟技术、文献调查补充采集黏性粗粒土样本的孔隙率、颗粒级配特征以及对应的渗透系数数据形成完整数据集，并划分为训练集、测试集； 步骤四，结合贝叶斯优化动态搜索最优超参数，训练步骤二混合模型； 步骤五，根据训练结果输出训练集和测试集的损失函数曲线，得到不同孔隙率与级配特征下对应的渗透系数预测值kpred； 步骤六，根据工程实际开展室内试验，对比预测值与实测值，验证模型泛化能力，确保工程应用能力； 步骤一中， 所述室内黏性粗粒土的渗流试验包括以下步骤：搭建试验装置，准备试验材料，试验设计与渗透系数计算； 所述试验材料为黏性粗粒土，土样进行烘干、粉碎和筛分处理； 所述试验设计与渗透系数计算为设计具有不同孔隙率与颗粒级配特征的黏性粗粒土的渗流试验，根据水流量、集水时间、试验土仓筒横截面面积、试验分层土长度以及试验分层土之间的水头差计算渗透系数，渗透系数计算公式如下： 第a个试验分层土渗透系数ka为； 其中，Q为水流量；La为第a个试验分层土长度；A为试验土仓筒横截面面积；ha为第a个试验分层土之间的水头差；t为时间；n为土体分层总数； 所述颗粒级配特征包括：黏性粗粒土平均粒径、细粒平均粒径和不均匀系数； 所述考虑孔隙率与颗粒级配特征的黏性粗粒土渗透系数公式根据室内黏性粗粒土的渗流试验结果建立，即利用式2获取不同孔隙率与颗粒级配特征下的渗透系数后，采用经验公式法拟合得到黏性粗粒土渗透系数公式；考虑黏性粗粒土具有一定的细粒含量，并通过孔隙率与不均匀系数反映，表达式如式3所示： 式中，A为线性系数；ne为有效孔隙率；d50为黏性粗粒土平均粒径；Cu为不均匀系数；i、α、β、m为无量纲参数； 所述有效孔隙率ne为考虑黏性粗粒土中因细粒结合水膜所带来的无效孔隙影响，根据双电层参数法可知其主要受细粒平均粒径影响： 式中，n为孔隙率输入变量；Cs为细粒平均粒径；η、γ为无量纲参数； 步骤二中， 所述混合模型包括物理驱动项与数据驱动项，渗透系数预测公式表达式如式5所示： 其中，物理驱动项kh根据考虑孔隙率与颗粒级配特征的黏性粗粒土渗透系数公式计算；数据驱动项NNn,d50,Cs,Cu,θ为神经网络；θ为神经网络参数。

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同济大学，其通讯地址为：200092 上海市杨浦区四平路1239号；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。