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！

龙图腾网获悉中国空气动力研究与发展中心超高速空气动力研究所申请的专利通过多区域守恒增强物理信息神经网络来预测激波的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：CN121683627B 。

龙图腾网通过国家知识产权局官网在2026-05-05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：202610183593.2，技术领域涉及：G06F30/28；该发明授权通过多区域守恒增强物理信息神经网络来预测激波的方法是由李宇玻;刘枫;熊恒立;汤洪伟;郑应龙;蒋万秋设计研发完成，并于2026-02-09向国家知识产权局提交的专利申请。

本通过多区域守恒增强物理信息神经网络来预测激波的方法在说明书摘要公布了：本发明公开了一种通过多区域守恒增强物理信息神经网络来预测激波的方法，属于高速流动中激波、强非线性物理现象的流场预测领域，包括：S1、通过流体动力学软件进行数值仿真模拟，以得到待求解N‑S控制方程的基准流场解，用于模型求解结果的验证；S2、构建包含积分层、微分层以及损失函数误差层的神经网络；S3、构建物理信息神经网络；S4、在设置物理信息神经网络训练参数后进行训练，并通过构建与物理信息神经网络相对应的联合损失函数来确定是否满足收敛标准；S5、将训练后的神经网络模型应用于不同工况下高速流场模拟的激波预测中。本发明通过多区域局部守恒约束，有效压缩激波过渡区宽度，使得物理量的相对误差较现有方法显著降低。

本发明授权通过多区域守恒增强物理信息神经网络来预测激波的方法在权利要求书中公布了：1.一种通过多区域守恒增强物理信息神经网络来预测激波的方法，其特征在于，包括： S1、通过流体动力学软件进行数值仿真模拟，以得到待求解N-S控制方程的基准流场解，用于模型求解结果的验证； S2、构建包含积分微分层以及损失函数误差层的神经网络； S3、将S2构建的神经网络与N-S控制方程、边界条件、多区域守恒约束单元进行联合得到物理信息神经网络； S4、基于S1的仿真参数来设置物理信息神经网络的训练参数，通过构建与物理信息神经网络相对应的联合损失函数来确定是否满足收敛标准，并在收敛后与S1的基准流场解进行验证； 其中，所述联合损失函数Loss通过下式进行表征： 上式中，和分别为基础约束权重与守恒约束权重，MSEbc为边界条件均方误差，MSEpde为N-S控制方程的残差均方误差，MSEconservation为多区域守恒约束均方误差； 所述积分微分层的积分部分对多区域守恒约束单元中的采样点进行积分处理后，损失函数误差层将积分结果映射至多区域守恒约束均方误差中； 所述积分微分层的微分部分对计算域内的采样点进行微分处理后，损失函数误差层将微分处理结果映射至残差均方误差中； S5、将训练后的物理神经网络模型应用于不同工况下高速流场模拟的激波预测中； 所述多区域守恒约束单元包括：区域划分模块、局部守恒约束构建模块、自适应增强模块； 所述多区域守恒约束单元的工作内容包括： S30、基于预解决的流动问题来确定采样数据的计算域； S31、区域划分模块按预定划分策略将计算域划分成多个封闭且局部守恒的子区域； S32、局部守恒约束构建模块向各子区域中嵌入三类局部守恒积分约束，以基于高斯散度定理将体积分转化为边界线积分； S33、自适应增强模块在神经网络的训练过程中，基于计算域内的压力梯度分布对子区域的自适应增强。

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空气动力研究与发展中心超高速空气动力研究所，其通讯地址为：621000 四川省绵阳市涪城区二环路南段6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。