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！

龙图腾网获悉沈阳工业大学申请的专利一种针对复合型缺陷应力分布反演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：CN121457043B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202511821864.4，技术领域涉及：G06F30/18；该发明授权一种针对复合型缺陷应力分布反演的方法是由刘斌;廉正;何璐瑶;董鑫洋;王竹筠;饶静;李媛琳;胡宁;刘楠;杨理践;田野;刘子淇;胡斌设计研发完成，并于2025-12-05向国家知识产权局提交的专利申请。

本一种针对复合型缺陷应力分布反演的方法在说明书摘要公布了：本发明提供了一种针对复合型缺陷应力分布反演的方法，该方法通过深度学习与多物理场耦合解耦技术的深度融合，构建了弱磁信号与应力耦合信号的数据驱动融合模型。该模型创新性地采用双模态励磁协同机制，在高磁化状态下获取仅含几何特征的基准信号，在低磁化状态下采集应力‑形变耦合的复合信号，通过缩放理论实现信号解耦，有效分离了应力敏感分量与几何特征分量。构建的MCL‑Net模型集成多尺度卷积神经网络与改进雪消融优化算法，通过并行多尺度卷积核1×1、1×3、1×5分别提取特征通道融合、局部细节特征和长程趋势特征，结合双向LSTM网络捕捉磁滞回线时序特性，并采用多头注意力机制聚焦应力敏感时间窗口。

本发明授权一种针对复合型缺陷应力分布反演的方法在权利要求书中公布了：1.一种针对管道复合型缺陷应力分布反演的方法，其特征在于，包括以下步骤： 步骤1：获取待检测的目标管道的双模态磁信号数据，构建双模态励磁信号训练数据集； 步骤2：基于MCL-Net架构构建应力反演模型；基于多尺度卷积神经网络-长短期记忆网络和双向LSTM-多头注意力模块构建应力反演深度学习模型；以所述双模态励磁信号训练数据集为所述应力反演模型的输入，对所述应力反演模型进行系统训练，得到训练好的MCL-Net应力反演模型； 步骤3：构建改进优化算法训练框架；基于改进雪消融优化算法ISAO构建模型超参数优化系统，通过动态温度衰减模块与混合高斯扰动策略，对MCL-Net模型中的关键参数进行智能优化，提升模型收敛速度与泛化能力； 步骤4：建立多目标损失函数评估体系； 所述MCL-Net应力反演模型包括多尺度CNN特征提取模块、双向LSTM时序建模模块、多头注意力模块和损失函数优化； 所述MCL-Net模型的多尺度特征提取模块，具体包括： 将预处理后的双通道时序信号输入并行多尺度卷积结构，其中： 1×1卷积核负责特征通道融合与维度调整，输出通道数为256； 1×3卷积核专注于提取轴向弱励磁信号的局部细节特征和高频成分； 1×5卷积核用于捕捉信号的长程趋势和整体分布模式； 各尺度特征的权重公式为： ； ； 其中，表示第个分支特征的平均特征，表示时间序列的长度，表示第个分支在时间的特征，表示可学习的权重矩阵； 通过通道注意力模块动态调整各尺度特征的权重，自适应融合公式为： ； 其中，表示融合后的特征图，为卷积分支的通道注意力权重； 所述双向LSTM-多头注意力模块，具体包括：融合后的特征序列输入双向LSTM网络，该网络配置为隐藏单元128、2层双向结构，通过前后文信息交互捕捉磁滞回线的非线性时序特性； 时空特征随后进入多头注意力模块，采用4个注意力头并行学习不同子空间的时间关联模式，其计算公式为： ； ； ； 其中,为每个注意力头的维度，为注意力头的数量，为多头注意力模块的输出特征矩阵，为多头注意力模块；H为磁场强度； 损失函数优化工作流程为： 步骤1：双模态信号输入与数据增强；将预处理后的双通道时序信号输入MCL-Net模型，通过注入高斯噪声模拟探头提离波动与电磁干扰，增强模型鲁棒性；输入数据维度为批量大小,序列长度3,特征数2； 步骤2：多尺度特征提取与对比学习；通过并行多尺度卷积模块提取特征，并计算增强样本与原始样本的投影向量相似度； 步骤3：峰值敏感损失计算；对应力集中区域的特征，计算峰值敏感损失； 步骤4：多目标损失融合与反向传播；将对比损失与峰值敏感损失按权重融合，得到总损失函数； 步骤5：动态优化与早停模块；ISAO算法每轮训练后评估验证集MSE，通过动态温度衰减平衡探索与开发；当验证集MSE连续3轮未下降时触发早停，保存历史最佳模型； 将步骤1-5循环多次，直至模型在验证集上达到最优性能；最终输出优化后的MCL-Net模型参数及ISAO超参数组合。

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沈阳工业大学，其通讯地址为：110870 辽宁省沈阳市经济技术开发区沈辽西路111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。