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！

龍圖騰網獲悉西華大學申請的專利一種基于KCBMA算法的風車橋系統安全評估方法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：CN120337420B 。

龍圖騰網通過國家知識產權局官網在2025-08-19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：202510825565.1，技術領域涉及：G06F30/15；該發明授權一種基于KCBMA算法的風車橋系統安全評估方法是由朱思宇;唐星;楊夢雪;李由之;宋洋;李海龍設計研發完成，并于2025-06-19向國家知識產權局提交的專利申請。

本一種基于KCBMA算法的風車橋系統安全評估方法在說明書摘要公布了：本發明公開了一種基于KCBMA算法的風車橋系統安全評估方法，涉及風車橋耦合系統技術領域，將開普勒優化算法（KOA）與多頭注意力機制下的卷積神經網絡?雙向長短期記憶網絡（CNN?Bi?LSTM?MA）進行結合，通過KOA自適應搜索CNN?Bi?LSTM?MA網絡的最優超參數組合，構建具有動態適應能力的神經網絡預測模型；Bi?LSTM單元通過融合風荷載激勵和系統參數的隨機性特征進行建模，使數值模型能夠有效表征風?車?橋系統的隨機性并預測其隨機響應。本發明將風?車?橋結構之間的動態相互作用集成到神經網絡模型中，利用KOA顯著縮短建模時間，提高建模精確度，降低了計算成本，對系統響應進行了更精確的預測。

本發明授權一種基于KCBMA算法的風車橋系統安全評估方法在權利要求書中公布了：1.一種基于KCBMA算法的風車橋系統安全評估方法，其特征在于，包括以下步驟： 步驟1：采用商業有限元軟件建立車橋耦合動力學模型；基于風譜采用譜解法獲取風速時間序列數據樣本，利用三分力系數計算出風荷載時間序列數據；通過軌道譜生成軌道不平順激勵時間序列數據樣本； 步驟2：將計算得到的風荷載時間序列數據與軌道不平順激勵時間序列數據樣本輸入車橋耦合動力學模型進行抖振分析，求解獲得風車橋隨機響應時間序列數據樣本； 步驟3：構建KCBMA組合模型，包含KOA模塊和CNN-Bi-LSTM-MA模塊，其中KOA模塊用于優化CNN-Bi-LSTM-MA模塊的超參數；CNN-Bi-LSTM-MA模塊中的CNN子模塊用于從輸入的風速和軌道不平順激勵的時間序列數據樣本中自適應提取空間局部特征與全局抽象表征，Bi-LSTM子模塊用于捕捉時間序列數據點間長期依賴關系，實現風車橋系統隨機響應的序列到序列的預測；MA子模塊用于模擬風速和軌道不平順激勵時間序列數據樣本中不同時間步之間的動態相關性，增強關鍵時間步特征的權重； 步驟4：將風速和軌道不平順激勵的時間序列數據樣本作為輸入數據，風車橋隨機響應時間序列數據樣本作為輸出數據，帶入KCBMA組合模型中尋找最優超參數； 步驟5：基于KOA模塊尋找的最優超參數以構建精確的神經網絡模型，通過輸入數據和輸出數據對神經網絡模型進行訓練；訓練完成后，實現對風車橋系統隨機響應的預測； 所述步驟4中對神經網絡模型訓練具體為： 步驟4.1：KOA模塊完成超參數尋優后，基于數據集對神經網絡模型進行訓練，所述神經網絡模型以CNN子模塊特征提取網絡為起點，首先對風速和軌道不平順激勵進行雙通道并行處理，經過CNN卷積操作自動學習風速和軌道不平順激勵時間序列數據中的空間特征，得到的空間特征隨后進入MA子模塊； 步驟4.2：MA子模塊包含多個并行的注意力頭，每個頭通過查詢、鍵和值權重矩陣計算注意力分數，對特征序列中的不同時間步進行加權，以捕捉空間分布與時序演化特征之間的全局依賴關系，增強包括極端風速特征的重要特征，并抑制包括傳感器噪聲、高頻振動干擾的不相關特征； 步驟4.3：經過注意力機制處理的特征被分為兩部分，分別送入Bi-LSTM子模塊的兩個Bi-LSTM網絡；第一個Bi-LSTM包含Nc層，用于捕捉輸入特征的長期時間依賴關系；第二個Bi-LSTM為單層，進一步細化特征表示，對局部時間窗內的特征交互進行加權篩選，抑制短期噪聲干擾，局部時間窗內的特包括突發性風速波動和軌道瞬態沖擊響應；所述神經網絡模型的訓練過程通過梯度下降法不斷迭代進行優化，使梯度值達到最小化； 步驟4.4：根據KOA模塊確定的最佳超參數，以及多頭注意力機制優化的關鍵序列特征權重確定最優神經網絡模型，用所述最優神經網絡模型對風車橋系統隨機響應進行預測，從而獲得最佳結果。

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西華大學，其通訊地址為：610039 四川省成都市金牛區土橋金周路999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”。