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！

龙图腾网获悉河北工业大学申请的专利一种基于GAN和CNN-BPNN的湿颗粒介质力学特性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：CN120012586B 。

龙图腾网通过国家知识产权局官网在2026-03-13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：202510109423.5，技术领域涉及：G06F30/27；该发明授权一种基于GAN和CNN-BPNN的湿颗粒介质力学特性预测方法是由马鑫盟;张宇鹏;赵丽滨;苌洋;闫振卓;金彬;齐羿帆;黄凌波;吕凌峰;程帅设计研发完成，并于2025-01-23向国家知识产权局提交的专利申请。

本一种基于GAN和CNN-BPNN的湿颗粒介质力学特性预测方法在说明书摘要公布了：本发明属于机器学习与地面力学预测技术领域，公开了一种基于GAN和CNN‑BPNN的湿颗粒介质力学特性预测方法，包括以下步骤：采集机器人足部在湿颗粒介质地面运动的数据，并确定对结果影响最大的因素，确定对结果影响最大的因素；基于VOF模型建立高保真流‑固‑颗粒耦合仿真环境；使用GAN神经网络加强数据集分布；基于RFT模型进行物理公式推导；构建CNN‑BPNN神经网络模型，将推导的物理公式插入损失函数；利用搭建好的网络模型对数据进行预测。本发明采用上述一种基于GAN和CNN‑BPNN的湿颗粒介质力学特性预测方法，不仅提高了预测的准确性和效率，也为颗粒介质地面力学特性研究和工程应用提供了支持。

本发明授权一种基于GAN和CNN-BPNN的湿颗粒介质力学特性预测方法在权利要求书中公布了：1.一种基于GAN和CNN-BPNN的湿颗粒介质力学特性预测方法，其特征在于，包括以下步骤： 步骤S1、采集机器人足部在湿颗粒介质地面运动的数据，并确定对结果影响最大的因素； 步骤S2、根据实物实验所得数据，基于VOF模型建立高保真流-固-颗粒耦合仿真环境； 步骤S3、使用GAN神经网络加强数据集分布； 步骤S4、基于RFT模型进行物理公式推导； 步骤S5、构建CNN-BPNN神经网络模型，将推导的物理公式插入损失函数，具体过程如下： 步骤S51、首先输入数据通过CNN模块进行特征提取，然后提取到的特征输入到BPNN进一步处理，最后输出预测结果； 步骤S52、设置CNN模块：由卷积层，池化层，展平层组成；以单通道的一维数据作为输入；其中，第一卷积层具有16个输出通道，使用大小为2的卷积核，步幅为1，padding为1；该层的目的是提取低级别的特征；第二卷积层具有32个输出通道，卷积核大小同样为2，padding为1，步幅为1，用于进一步提取更高级的特征；使用大小为2的池化层进行下采样，减小数据维度；将卷积层的输出展平成一维，以便输入到全连接层； 步骤S53、设置BPNN模块：由全连接层和隐藏层组成；全连接层为一个全连接网络，用于进一步处理CNN提取的特征；该模块包含两层线性变换；第一层的输入尺寸为CNN模块输出的特征维度，输出尺寸为16；每个线性变换有inputsize×16+16个参数；第二层线性变换将16个隐藏单元映射到1个输出； 步骤S54、使用Adam优化器进行优化，学习率设定为0.001； 步骤S55、确定损失函数，损失函数由两部分组成，一部分为模型损失，另一部分为物理损失； 步骤S6、利用搭建好的网络模型对机器人足部在湿颗粒介质地面运动的数据进行预测，获得预测值。

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河北工业大学，其通讯地址为：300400 天津市北辰区双口镇西平道5340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。