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！

龙图腾网获悉华东交通大学申请的专利基于深度学习的地铁车辆段上盖建筑振动响应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：CN121030474B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202511546448.8，技术领域涉及：G06F18/241；该发明授权基于深度学习的地铁车辆段上盖建筑振动响应预测方法是由唐柏赞;张奕翔;罗文俊;庄海洋;张鹏飞;许紫刚;张季;刘旭晨;承颖瑶设计研发完成，并于2025-10-28向国家知识产权局提交的专利申请。

本基于深度学习的地铁车辆段上盖建筑振动响应预测方法在说明书摘要公布了：本发明公开了基于深度学习的地铁车辆段上盖建筑振动响应预测方法，包括：构建含振动信号与工况数据的特征库，借力学模型生成增强数据融合成数据集；构建嵌合物理先验的混合深度学习模型，训练并双目标优化参数；实时数据经轻量化模型识别工况后输出预测结果；定期增量学习微调参数，工况突变时迁移学习适配；验证精度与合理性，调整正则项权重或建议补装传感器；本发明通过增强数据融合弥补实测数据稀疏；双分支架构攻克深层非线性映射难题，物理约束避免违背物理规律；增量学习降成本，迁移学习解决时变振动捕捉问题；闭环验证提精度，实现振动响应精准实时预测，保障建筑安全舒适。

本发明授权基于深度学习的地铁车辆段上盖建筑振动响应预测方法在权利要求书中公布了：1.基于深度学习的地铁车辆段上盖建筑振动响应预测方法，其特征在于，包括如下步骤： 步骤S1：构建多维度工况特征库，库中包含建筑的直接振动信号以及与振动相关的工况数据；基于振动传递力学模型模拟不同工况下的建筑振动数据，生成增强数据；将增强数据、直接振动信号以及工况数据进行融合，形成混合数据集； 步骤S2：构建嵌合物理先验的混合深度学习模型，基于混合数据集训练模型，并对模型参数进行双目标优化； 步骤S3：采集实时直接振动信号以及对应工况数据，基于实时直接振动信号以及对应工况数据，采用轻量化分类模型识别当前场景工况，根据识别的当前场景工况，调用对应参数并利用混合深度学习模型，输出最终振动响应预测结果； 步骤S4：定期采集定量实时直接振动信号以及对应工况数据，采用增量学习策略微调混合深度学习模型的参数权重；当场景工况发生显著变化时，利用定量实时工况数据对混合深度学习模型进行迁移学习微调； 步骤S5：对振动响应预测结果进行精度验证以及物理合理性验证；根据验证结果，调整物理先验中的正则项权重或建议补充振动传感器； 构建嵌合物理先验的混合深度学习模型，包括： 将物理规律与约束融入混合深度学习模型训练过程，通过损失函数正则化+先验参数输入双方式实现： 物理约束转化为损失函数正则项：将振动传递过程中的核心物理定律转化为损失函数的约束项，与混合深度学习模型预测损失联合优化，具体包括： 能量守恒定律约束：基于振动系统能量守恒原理，计算振动传递过程中的能量损失率，定义能量守恒正则项为预测的振动能量与实测的振动能量的相对误差，计算公式为，表示预测的振动能量，表示实测的振动能量，通过加速度信号积分计算得到，表示等效质量，表示采样时间，表示振动加速度随时间的变化函数；表示积分； 边界条件约束：考虑地基-基础相互作用的位移连续性条件，定义边界条件正则项为预测的建筑基础底部振动位移与地基允许的最大振动位移的偏差，即，表示预测的建筑基础底部振动位移，表示地基允许的最大振动位移；根据地基承载力特征值确定：若≥150，，若＜150，； 轮轨激励-响应幅值匹配约束：基于轮轨系统幅频特性函数，定义幅值匹配正则项为预测幅频特性与理论幅频特性的误差；理论幅频特性函数表示为，表示结构固有角频率，即建筑自身结构的固有振动特性参数，表示激励角频率，表示结构阻尼比；表示虚数单位； 振动衰减与传递距离约束：定义衰减正则项，表示预测振动衰减系数；表示理论衰减系数；表示振动传递距离。

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华东交通大学，其通讯地址为：330013 江西省南昌市经济技术开发区双港东大街808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。