買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉河北工業大學;長沙理工大學申請的專利一種物理數據雙驅動的道路養護決策系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119809394B 。

龍圖騰網通過國家知識產權局官網在2025-08-12發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510301523.8，技術領域涉及：G06Q10/0637；該發明授權一種物理數據雙驅動的道路養護決策系統是由李家樂;張軍輝;張淞;顧凡;王雪菲;楊豪設計研發完成，并于2025-03-14向國家知識產權局提交的專利申請。

本一種物理數據雙驅動的道路養護決策系統在說明書摘要公布了：本發明為一種物理數據雙驅動的道路養護決策系統，所述系統進行樁號?路段?路網的三階段養護，可以提供精度為百米的樁號級養護方案、路段級養護方案以及路網級養護方案。各級養護方案可以同時考慮道路養護施工的成本、碳排放、施工時間以及路面使用性能，達到各個目標之間的帕累托最優，以使最終的各級養護方案在節省施工成本、降低施工碳排放、減少施工時間的同時保證最優的路面使用性能，達到最佳的養護效果。三階段的養護方案會使最耗時的階段無需使用PINN預測而直接使用次一級提供的帕累托最優養護方案集的不同養護方案的組合，節省了大量時間。

本發明授權一種物理數據雙驅動的道路養護決策系統在權利要求書中公布了：1.一種物理數據雙驅動的道路養護決策系統，其特征在于，所述系統包括： 路面使用性能預測模塊，用于根據道路的路齡、交通因素、地質因素、天氣環境因素、道路結構、養護方式和過去一年路面使用性能值預測未來一年路面使用性能； 所述路面使用性能預測模塊采用物理內嵌神經網絡PINN進行預測，包括輸入層、隱藏層、輸出層和損失項； 所述損失項Lθ由四部分組成，計算公式為： 其中，θ代表物理內嵌神經網絡所有參數，wu為數據損失項系數，為數據損失項，wf為物理損失項系數，LPDEθ為物理損失項，wb為邊界損失項系數，Lbθ為邊界損失項，wr為規律損失項系數，Lrθ為規律損失項； 數據損失項為預測值與真實值的誤差由下式計算： 其中，表示第s樣本的物理內嵌神經網絡預測值，us表示第s樣本的數據項真實值，Nu代表用于計算數據項的樣本數量，代表第s樣本數據項的輸入向量； 物理損失項根據公式21計算： 其中，代表第s樣本的物理項預測值，fs代表第s樣本物理項真實值，Nf代表用于計算物理項的樣本數量，代表第s樣本物理項的輸入向量； 規律損失項計算公式： 其中，Nr代表用于計算規律損失的樣本數量，代表第s樣本規律項的輸入向量，代表第s樣本的物理內嵌神經網絡對時間t的偏導數；該規律損失項的規律意義為，路面使用性能隨著時間降低； 邊界損失項的計算公式為： 其中，Nb代表用于計算邊界損失的樣本數量，uθ0代表輸入向量為0向量時物理內嵌神經網絡的輸出值，代表輸入向量為0時物理內嵌神經網絡對時間t的偏導數； 樁號級適應度計算模塊，用于根據樁號級優化模塊輸出的養護方案與路面使用性能預測模塊預測的路面使用性能計算各個樁號的成本、碳排放、施工時間和綜合路面使用性能，作為樁號級適應度； 樁號級優化模塊，利用多目標指數分布優化算法對樁號級適應度計算模塊計算的樁號級適應度進行多目標優化，輸出養護方案，達到迭代次數后獲得各個樁號的樁號帕累托最優養護方案集，樁號帕累托最優養護方案集包括G個最優養護方案； 路段級適應度計算模塊，用于根據所述樁號帕累托最優養護方案集與樁號級適應度計算模塊獲得的各個樁號的綜合路面使用性能計算各個路段的成本、碳排放、施工時間和綜合路面使用性能，作為路段級適應度； 路段級優化模塊，將各個樁號的樁號帕累托最優養護方案集輸入，并利用多目標指數分布優化算法對路段級適應度計算模塊計算的路段級適應度進行多目標優化，輸出養護方案，達到迭代次數后獲得各個路段的路段帕累托最優養護方案集； 路網級適應度計算模塊，用于根據所述路段帕累托最優養護方案集與路段級適應度計算模塊獲得的各個路段的綜合路面使用性能計算路網的成本、碳排放、施工時間和綜合路面使用性能，作為路網級適應度； 路網級優化模塊，以所述路段帕累托最優養護方案集為輸入，利用多目標指數分布優化算法對路網級適應度計算模塊計算的路網級適應度進行多目標優化，輸出養護方案，達到迭代次數后獲得路網帕累托最優養護方案集； 所述樁號級優化模塊中的多目標指數分布優化算法包括以下過程：初始化種群P，種群中個體數量為K，每個個體Xk是一個N×M的養護方案矩陣，N為養護的年份的時長，M表示養護方式的數量，種群P中每個個體Xk代表樁號的N年的養護方案，其中每個個體的養護方案滿足每年只采用一種養護方式，養護方案矩陣的每一行滿足公式9所示約束： 按照公式10對個體進行初始化： 其中，rand1,M代表從{1,2,…,M}中按照指數分布隨機選取索引列； 按照公式11計算引導解Xguidetime： 其中，time代表迭代的次數，代表在當前迭代次數最優的三個解； 利用樁號級適應度計算模塊的輸出結果進行信息反饋，每個個體養護方案的更新邏輯為：以樁號級適應度為基礎獲得引導解與無記憶解的加權系數來計算新的個體矩陣的值并將的每行的最大值賦值為1，其他值賦值為0，則下一代個體按照公式12更新： 其中，argmaxj代表對于當前矩陣的第i行選擇值最大的索引列j，值最大的索引列的對應的位置被賦值為1；為第i行第j列第time+1次迭代的更新后個體； 的定義為： 其中，為第time代個體中第i行第j列的無記憶解；a和b為加權系數，分別定義為： 其中，fguide為引導解的適應度，fk代表第k個體的適應度，二者由樁號級適應度計算模塊獲得； 路段級優化模塊和路網級優化模塊采用相似的多目標指數分布優化算法進行優化，輸入為次一級優化模塊輸出的帕累托最優養護方案集，輸出為各個路段的路段帕累托最優養護方案集或路網帕累托最優養護方案集；其中個體養護方案的更新邏輯為：若當前個體為無記憶解的個體則根據引導解與無記憶解更新，若當前解非無記憶解且隨機數d小于0.5則根據無記憶解與當前解更新，否則根據所有解平均值和當前解更新，公式為： 其中，a、b的取值同公式14，二者利用路段級適應度計算模塊或路網級適應度計算模塊計算的相應適應度計算獲得；round代表向上取整數值；f為0,1的隨機值，time為當前迭代次數，Max_time為最大迭代次數，Mtime為當前代的所有解的平均值，為當前代的引導解，為第time代第k個體的無記憶解，為第time代第k個解；為方差，λ為指數分布參數，為大于1的隨機參數，d為0到1的隨機參數；為第time+1代第k個更新后的個體； Z1、Z2的定義為： Z1＝Mtime-D1+D2,Z2＝Mtime-D2+D1,D1＝Mtime-Xrand1,D2＝Mtime-Xrand218 D1和D2描繪了所有解的平均值Mtime與從初始群體中隨機挑選的兩個個體Xrand1和Xrand2之間的距離； 樁號級優化模塊將多目標指數分布算法的搜索空間設置為N×M的矩陣，用于表示多年的養護方案，在種群初始化過程中添加了每年只進行一次養護的限制，在更新下一代種群過程中重新修改算法為：通過適應度值計算權重并更新養護方案矩陣，選擇每一行中最大的值并賦值為1，其他賦值為0；路段級優化模塊和路網級優化模塊將多目標指數分布算法的搜索空間設置為由各個樁號的樁號帕累托最優養護方案集組成的向量或由各個路段的路段帕累托最優養護方案集組成的向量，在種群初始化過程與更新下一代種群過程中保持種群中個體向量為整數向量。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人河北工業大學;長沙理工大學，其通訊地址為：300401 天津市北辰區西平道5340號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。