買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉東南大學(xué)申請(qǐng)的專利一種大型抗爆結(jié)構(gòu)物沖擊動(dòng)力參數(shù)識(shí)別方法與識(shí)別平臺(tái)獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN115358148B 。

龍圖騰網(wǎng)通過國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-08發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202210991472.2，技術(shù)領(lǐng)域涉及：G06F30/27；該發(fā)明授權(quán)一種大型抗爆結(jié)構(gòu)物沖擊動(dòng)力參數(shù)識(shí)別方法與識(shí)別平臺(tái)是由黃杰;宗周紅;李佳奇;陳振健;夏夢(mèng)濤;李卓設(shè)計(jì)研發(fā)完成，并于2022-08-18向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種大型抗爆結(jié)構(gòu)物沖擊動(dòng)力參數(shù)識(shí)別方法與識(shí)別平臺(tái)在說明書摘要公布了：本發(fā)明涉及一種大型抗爆結(jié)構(gòu)物沖擊動(dòng)力參數(shù)識(shí)別方法，識(shí)別方法包括確定待識(shí)別結(jié)構(gòu)物沖擊動(dòng)力學(xué)參數(shù)；測(cè)定待識(shí)別結(jié)構(gòu)物的幾何參數(shù)；測(cè)定待識(shí)別結(jié)構(gòu)物在爆炸沖擊下的動(dòng)力響應(yīng)；建立待識(shí)別結(jié)構(gòu)物在爆炸沖擊下的數(shù)值模型，構(gòu)建目標(biāo)函數(shù)；利用改進(jìn)的MWOA?GPO算法在參數(shù)區(qū)間快速尋優(yōu)；以及經(jīng)過數(shù)次迭代，計(jì)算出最小目標(biāo)值所對(duì)應(yīng)的力學(xué)參數(shù)；本發(fā)明針對(duì)大型防護(hù)工程抗爆結(jié)構(gòu)動(dòng)力參數(shù)獲取困難，測(cè)量結(jié)果不精確等問題，提出利用MWOA?GPO算法對(duì)有限元數(shù)值模型進(jìn)行優(yōu)化進(jìn)而反演出結(jié)構(gòu)物動(dòng)力參數(shù)的方法，同時(shí)基于該識(shí)別方法提出了獲取結(jié)構(gòu)物動(dòng)力學(xué)參數(shù)的識(shí)別平臺(tái)，有效地提高了獲取結(jié)構(gòu)參數(shù)的便利性和經(jīng)濟(jì)性。

本發(fā)明授權(quán)一種大型抗爆結(jié)構(gòu)物沖擊動(dòng)力參數(shù)識(shí)別方法與識(shí)別平臺(tái)在權(quán)利要求書中公布了：1.一種大型抗爆結(jié)構(gòu)物沖擊動(dòng)力參數(shù)識(shí)別方法，其特征在于：包括以下步驟： 步驟S1：確定待識(shí)別結(jié)構(gòu)物沖擊動(dòng)力學(xué)參數(shù)； 步驟S2：測(cè)定待識(shí)別結(jié)構(gòu)物的幾何參數(shù)； 步驟S3：測(cè)定待識(shí)別結(jié)構(gòu)物在爆炸沖擊下的動(dòng)力響應(yīng)； 步驟S4：建立待識(shí)別結(jié)構(gòu)物在爆炸沖擊下的數(shù)值模型，構(gòu)建目標(biāo)函數(shù)； 步驟S5：利用改進(jìn)的MWOA-GPO算法在參數(shù)區(qū)間快速尋優(yōu)，即利用改進(jìn)型灰狼算法在全局空間進(jìn)行尋優(yōu)，當(dāng)全局尋優(yōu)次數(shù)達(dá)到預(yù)設(shè)迭代次數(shù)后，將全局空間的尋優(yōu)轉(zhuǎn)變?yōu)榫植靠臻g的尋優(yōu)，在此階段啟動(dòng)GPO局部的尋優(yōu)技術(shù)； 步驟S6：全局尋優(yōu)和局部尋優(yōu)的反復(fù)迭代，直至收斂迭代準(zhǔn)則滿足適應(yīng)精度和最大允許迭代步數(shù)，計(jì)算出最小目標(biāo)值對(duì)應(yīng)的力學(xué)參數(shù)，退出尋優(yōu)過程，輸出最優(yōu)結(jié)構(gòu)物動(dòng)力學(xué)參數(shù)； 步驟S1中確定的待識(shí)別結(jié)構(gòu)物沖擊動(dòng)力學(xué)參數(shù)，若結(jié)構(gòu)物為單介質(zhì)結(jié)構(gòu)，包括單材料動(dòng)態(tài)力學(xué)參數(shù)，若結(jié)構(gòu)物為多介質(zhì)組合結(jié)構(gòu)，包括各部分組件的材料動(dòng)態(tài)力學(xué)參數(shù)； 前述的材料動(dòng)態(tài)力學(xué)參數(shù)包括確定實(shí)際工程設(shè)計(jì)中所需的動(dòng)力參數(shù)、未知參數(shù)的初始值，以及預(yù)設(shè)參數(shù)搜索區(qū)間的上下限； 步驟S2中，采用接觸或者非接觸的測(cè)量方式測(cè)定待識(shí)別結(jié)構(gòu)物的幾何參數(shù)； 步驟S3中，待識(shí)別結(jié)構(gòu)物在爆炸沖擊下的動(dòng)力響應(yīng)為對(duì)結(jié)構(gòu)物關(guān)鍵點(diǎn)的實(shí)測(cè)動(dòng)力響應(yīng)， 包括結(jié)構(gòu)物的沖擊破壞變形值Wkp1、Wkp2、...、Wkpn，結(jié)構(gòu)物的沖擊超壓值Pkp1、Pkp2、...、Pkpn以及結(jié)構(gòu)物的加速度值A(chǔ)kp1、Akp2、...、Akpn； 步驟S4中，將步驟S2獲取的待識(shí)別結(jié)構(gòu)物的幾何參數(shù)結(jié)合步驟S1中位置參數(shù)的初始值，建立初始的結(jié)構(gòu)物數(shù)值模型； 構(gòu)建的目標(biāo)函數(shù)為其中，x為一組材料動(dòng)態(tài)力學(xué)參數(shù)，Si為結(jié)構(gòu)物上第i個(gè)關(guān)鍵監(jiān)測(cè)點(diǎn)在爆炸后的動(dòng)力學(xué)響應(yīng)值，為第i個(gè)位移監(jiān)測(cè)點(diǎn)在該組力學(xué)參數(shù)下有限元的計(jì)算動(dòng)力響應(yīng)值； 當(dāng)目標(biāo)函數(shù)的值滿足目標(biāo)函數(shù)minfx的收斂條件時(shí)，數(shù)值模型中的動(dòng)力學(xué)參數(shù)值即為真實(shí)結(jié)構(gòu)中的動(dòng)力參數(shù)； 步驟S5的具體步驟為： 步驟S5-1，進(jìn)行改進(jìn)型灰狼算法在全局空間的迭代尋優(yōu)； 步驟S5-2，GPO在局部空間的動(dòng)態(tài)加速； 其中步驟S5-1具體為： 步驟S5-1-1，設(shè)定MWOA算法的參數(shù)，包括搜索灰狼種群數(shù)NP、算法的維數(shù)D以及局部尋優(yōu)次數(shù)啟動(dòng)時(shí)間Itermax，當(dāng)MWOA算法在單循環(huán)階段時(shí)適應(yīng)度評(píng)價(jià)次數(shù)t達(dá)到Itermax時(shí)，進(jìn)入GPO局部加速階段； 步驟S5-1-2，在MWOA算法的每一次迭代尋優(yōu)前，計(jì)算搜索種群中每一頭狼的適應(yīng)度值，并將種群中適應(yīng)度值最優(yōu)的狼的位置信息保存為α，將種群中適應(yīng)度值次優(yōu)的狼的位置信息保存為β，將種群中適應(yīng)度第三優(yōu)的灰狼的位置信息保存為δ，剩余的狼群為ω；當(dāng)狼群中四類階級(jí)確定后，開始全局空間的尋優(yōu)，根據(jù)改進(jìn)型灰狼算法的迭代公式，更新下一代的狼群粒子位置，在每一次迭代更新狼群種群計(jì)算時(shí)，此時(shí)數(shù)值計(jì)算的適應(yīng)度計(jì)算次數(shù)t＝t+1； 步驟S5-1-3，在尋優(yōu)過程中，潛在的最優(yōu)粒子群需要帶進(jìn)真實(shí)的適應(yīng)度函數(shù)中計(jì)算真實(shí)適應(yīng)度值，即根據(jù)當(dāng)前灰狼種群的尋優(yōu)個(gè)體的位置Iij動(dòng)態(tài)更新步驟S4中所建立的數(shù)值模型中，根據(jù)更新后的數(shù)值模型，計(jì)算當(dāng)前參數(shù)Iij所對(duì)應(yīng)的數(shù)值模型中的適應(yīng)度值FEIij，其中每一組種群中具有最優(yōu)適應(yīng)度的粒子所組成的種群記為QBEi，當(dāng)前所有粒子中的適應(yīng)度值FE最小值所對(duì)應(yīng)的最優(yōu)個(gè)體記為當(dāng)前全局最優(yōu)個(gè)體PBgj，其對(duì)應(yīng)的目標(biāo)函數(shù)值BFEPBgj為當(dāng)前全局最優(yōu)解；數(shù)值模型的計(jì)算次數(shù)達(dá)到t＝Itermax后，進(jìn)入GPO加速階段； 步驟S5-2具體為： 步驟S5-2-1，建立高斯過程代理模型，在步驟S5-1中尋找的全局最優(yōu)個(gè)體PBgj附近，按照距離PBgj距離最近的若干點(diǎn)，當(dāng)前選取構(gòu)建GPR模型的種群數(shù)量為NP×D，組建新的學(xué)習(xí)樣本集Xsample，Ysample，生成局部代理模型； 步驟S5-2-2，基于已經(jīng)建立的GPR模型，依據(jù)GPO局部加速技術(shù)快速尋找當(dāng)前局部最優(yōu)點(diǎn)BLij，與并將BLij的位置信息輸入到數(shù)值模型中，計(jì)算其適應(yīng)度FEBLij； 步驟S5-2-3，基于步驟S5-2-2中的所尋的BLij的適應(yīng)度FEBLij與步驟S5-1-3所尋找的當(dāng)前最優(yōu)點(diǎn)PBgj的適應(yīng)度FEPBgj進(jìn)行比較，根據(jù)評(píng)判結(jié)果，若FEBLij＞FEPBgj，證明加速成功，則令全局最優(yōu)點(diǎn)PBgj＝BLij；若FEBLij＜FEPBgj，則加速不成功，則PBgj在仍然保持不變；判定結(jié)束后，則在返回到步驟S5-1-2的改進(jìn)型灰狼算法MWOA的全局尋優(yōu)階段，在步驟S5-1-2中，將圍繞當(dāng)前最優(yōu)點(diǎn)PBgj繼續(xù)全局的尋優(yōu)和局部的加速的迭代過程，直至滿足收斂條件。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人東南大學(xué)，其通訊地址為：210018 江蘇省南京市玄武區(qū)四牌樓2號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。