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！

龙图腾网获悉广东省特种设备检测研究院惠州检测院;哈尔滨工业大学申请的专利一种基于固体废弃物热处理神经网络模型的成本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：CN120807067B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202510922419.0，技术领域涉及：G06Q30/0283；该发明授权一种基于固体废弃物热处理神经网络模型的成本预测方法是由杨旭;何玉荣;吴海泓;韩沛霖;唐天琪;曾文捷设计研发完成，并于2025-07-04向国家知识产权局提交的专利申请。

本一种基于固体废弃物热处理神经网络模型的成本预测方法在说明书摘要公布了：一种基于固体废弃物热处理神经网络模型的成本预测方法，属于固体废弃物热处理技术领域。为解决固体废弃物热处理成本的准确预测的问题。本发明构建基于深度学习的固体废弃物热处理预测模型的第一隐藏层；构建基于深度学习的固体废弃物热处理预测模型的第二隐藏层；构建基于深度学习的固体废弃物热处理预测模型的输出层；设计基于深度学习的固体废弃物热处理预测模型的损失函数；输入层、第一隐藏层、第二隐藏层、输出层依次连接，得到基于深度学习的固体废弃物热处理预测模型；基于预测结果反归一化后，得到具有实际物理量的基于深度学习的固体废弃物热处理预测模型的预测结果，构建基于固体废弃物热处理神经网络模型的成本预测方法。

本发明授权一种基于固体废弃物热处理神经网络模型的成本预测方法在权利要求书中公布了：1.一种基于固体废弃物热处理神经网络模型的成本预测方法，其特征在于，包括如下步骤： S1.确定基于深度学习的固体废弃物热处理预测模型的输入层的输入参数，包括物料特性参数、工艺运行参数和工艺过程参数； S2.构建基于深度学习的固体废弃物热处理预测模型的主体层中的第一隐藏层； 步骤S2将第一隐藏层的节点划分为物质特性组、反应特性组、能量特性组，其中，物质特性组关注物料在热处理过程中的物理化学性质变化，包含30个神经元节点，第i1个神经元节点取值为1~30；反应特性组侧重描述各类化学反应的进行程度，包含25个神经元节点，第i2个神经元节点取值为31~55；能量特性组重点表征能量转换和传递特征，包含25个神经元节点，第i3个神经元节点取值为56~80； 步骤S2的具体实现方法包括如下步骤： S2.1.构建物质特性组中引入温度修正和物料水分修正，温度修正考虑温度对物料转化速率的驱动作用，并反映不同温度区间内物质转化规律的差异；物料水分修正考虑水分蒸发过程对后续转化的影响；物质特性组中的30个神经元节点计算方式如下： ； 其中，表示第一隐藏层中第i1个神经元节点的输出值，i1取值为1~30；为激活函数，用于引入非线性特征；为与第j个输入参数对应第一隐藏层中第i1个神经元节点的权重系数；为输入参数，；为与第j个输入参数对应的第一隐藏层中第i1个神经元节点偏置项；为温度修正系数，由专家经验、设计文件、试验研究方式确定；为水分修正系数，由专家经验、设计文件、试验研究方式确定；为温度修正项；为物料水分修正项； S2.2.构建反应特性组引入质量转化项，直接反映物质反应程度，体现反应的进行深度；加入空气过量项表征燃烧环境的充分性，反映氧化反应条件对转化效果的影响；反应特性组中的25个神经元节点计算方式如下： ； 其中，为第一隐藏层中第i2个神经元节点的输出值，i2取值为31~55；为与第j个输入参数对应的第一隐藏层中第i2个神经元节点的权重系数；为与第j个输入参数对应的第一隐藏层中第i2个神经元节点的偏置项；为质量转化系数，由专家经验、设计文件、试验研究方式确定；为空气过量系数，由专家经验、设计文件、试验研究方式确定；为空气密度，由实际测量确定；为质量转化项；为空气过量项； S2.3.构建能量特性组引入热值转化项，直接表征能量转化效果；加入温度梯度项反映热量传递的驱动力和传递强度，描述能量在空间上的分布规律；能量特性组中的25个神经元节点计算方式如下： ； 其中，为第一隐藏层中第i3个神经元节点的输出值，i3取值为56~80；为第j个输入参数与对应的第一隐藏层中第i3个神经元节点的权重系数；为与第j个输入参数对应的第一隐藏层中第i3个神经元节点的偏置项；为热值转化项；为热值转化系数，由专家经验、设计文件、试验研究方式确定；为温度梯度项；为温度梯度系数，由专家经验、设计文件、试验研究方式确定； S3.构建基于深度学习的固体废弃物热处理预测模型的主体层中的第二隐藏层，所述第一隐藏层连接第二隐藏层； 步骤S3将第二隐藏层的节点划分为干燥过程组、热解过程组和燃烧过程组，其中，干燥过程组描述干燥过程对后续热解和燃烧的影响，包含15个神经元节点，第i4个神经元节点取值为1~15；热解过程组描述热解产物的组成变化特征，包含20个神经元节点，第i5神经元节点取值为16~35；燃烧过程组描述最终氧化阶段的过程特征，包含15个神经元节点，第i6个神经元节点取值为36~50； 步骤S3的具体实现方法包括如下步骤： S3.1.构建干燥过程组通过表征固体废弃物中水分去除的过程特征，反映温度对水分蒸发的驱动作用，描述干燥过程对后续热解和燃烧的影响；干燥过程组中的15个神经元节点计算方式如下： ； 其中，为第二隐藏层第i4个神经元节点的输出值，i4取值为1~15；为第一隐藏层第k个神经元对应的第二隐藏层中第i4个神经元节点的权重系数，=1~80；为与第一隐藏层第k个神经元对应的第二隐藏层中第i4个神经元节点的偏置项；为第一隐藏层第k个神经元的输出值；为干燥过程项，为干燥过程系数，由专家经验、设计文件、试验研究方式确定； S3.2.构建热解过程组通过有机物热解分解的动力学特征，反映温度对挥发分析出的影响规律，描述热解产物的组成变化特征，实现对热解阶段关键特征的提取；热解过程组中的20个神经元节点计算方式如下： ； 其中，为第二隐藏层第i5个神经元节点的输出值，i5取值为16~35；为第一隐藏层第k个神经元对应的第二隐藏层中第i5个神经元节点的权重系数；为与第一隐藏层第k个神经元对应的第二隐藏层中第i5个神经元节点的偏置项；为热解过程项，为热解过程系数，由专家经验、设计文件、试验研究方式确定； S3.3.构建燃烧过程组表征固定碳和挥发分的氧化过程，反映氧气浓度对燃烧效果的影响，描述最终氧化阶段的过程特征；燃烧过程组中的15个神经元节点计算方式如下： ； 其中，为第二隐藏层第i6个神经元节点的输出值，i6取值为36~50；为第一隐藏层第k个神经元对应的第二隐藏层中第i6个神经元节点的权重系数；为与第一隐藏层第k个神经元对应的第二隐藏层中第i6个神经元节点的偏置项；为燃烧过程项，为燃烧过程系数，为参考氧气浓度，由专家经验、设计文件、试验研究方式确定； S4.构建基于深度学习的固体废弃物热处理预测模型的输出层，将输出层分为转化效率组、产物分布组和能量转化组，确定基于深度学习的固体废弃物热处理预测模型的输出层的输出参数； S5.设计基于深度学习的固体废弃物热处理预测模型的损失函数； S6.将基于深度学习的固体废弃物热处理预测模型的输入层、主体层、输出层依次连接，得到基于深度学习的固体废弃物热处理预测模型； S7.通过固体废弃物处理厂和自动化控制系统采集数据，并将数据归一化处理，将数据按照7:2:1的比例划分为训练集、验证集和测试集，对步骤S6得到的基于深度学习的固体废弃物热处理预测模型进行训练、验证和测试，得到训练好的基于深度学习的固体废弃物热处理预测模型； S8.基于训练好的基于深度学习的固体废弃物热处理预测模型的预测结果反归一化后，得到具有实际物理量的基于深度学习的固体废弃物热处理预测模型的预测结果，构建基于固体废弃物热处理神经网络模型的成本预测方法。

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广东省特种设备检测研究院惠州检测院;哈尔滨工业大学，其通讯地址为：516003 广东省惠州市江北文华二路质监检测大楼四楼；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。