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！

龙图腾网获悉山东科技大学申请的专利工作面地表岩移数智观测与过构筑物安全智能预测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：CN119558152B 。

龙图腾网通过国家知识产权局官网在2025-08-22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：202510127470.2，技术领域涉及：G06F30/23；该发明授权工作面地表岩移数智观测与过构筑物安全智能预测方法是由王蕊;陈绍杰;尹大伟;冯帆;汪锋;江宁设计研发完成，并于2025-02-05向国家知识产权局提交的专利申请。

本工作面地表岩移数智观测与过构筑物安全智能预测方法在说明书摘要公布了：本发明公开了一种工作面地表岩移数智观测与过构筑物安全智能预测方法，属于矿业和信息技术领域，包括如下步骤：确定构筑物移动变形安全预警值；收集移动变形数据，并进行预处理；运用有限元分析，剖析地表移动变形的动态变化规律；建立构筑物移动变形预测模型；对构筑物移动变形预测模型进行训练和验证，利用训练完成的模型进行构筑物移动变形预测；综合评价安全稳定性；修正预测模型参数并持续评价直至安全推采过构筑物。本发明为准确预测岩移趋势、保障构筑物等重要设施的安全提供了一种极具潜力的新途径。

本发明授权工作面地表岩移数智观测与过构筑物安全智能预测方法在权利要求书中公布了：1.一种工作面地表岩移数智观测与过构筑物安全智能预测方法，其特征在于，包括如下步骤： 步骤1、确定构筑物移动变形安全预警值； 步骤2、收集移动变形数据，并进行预处理； 步骤3、运用有限元分析，剖析地表移动变形的动态变化规律；具体过程为： 步骤3.1、构建几何模型，采用单元划分策略进行单元离散化，得到离散化模型；具体过程为：首先，依据地质勘察资料和构筑物的设计蓝图构建二维或三维几何模型；然后，对二维或三维几何模型采用单元划分策略进行单元离散化，得到离散化模型；单元划分策略的过程为：设总单元数为，总节点数为；对于每个单元，其三个节点的编号分别为、、，第个单元内任意一个节点的位移向量为，为水平位移，为垂直位移，、分别为第个单元内任意一个节点的水平位移、垂直位移；节点、节点、节点的位移向量分别为、、；、分别为节点的水平位移、垂直位移；、分别为节点的水平位移、垂直位移；、分别为节点的水平位移、垂直位移；为转置符号；位移向量通过形函数建立联系；对于线性三角形单元，节点的形函数表示为： ； ； ； ； 其中，为节点的形函数；是三角形单元的面积；为计算节点的形函数时构建的中间参数；为计算节点的形函数时的相关系数；为计算节点的形函数时的关联系数；为平面直角坐标系中表征水平位置的横坐标；为平面直角坐标系中表征垂直位置的纵坐标；为三角形单元中节点的横坐标；为三角形单元中节点的横坐标；为三角形单元中节点的纵坐标；为三角形单元中节点的纵坐标； 节点的形函数、节点的形函数与节点的形函数的表示方式相同； 最终第个单元内任意一个节点的位移向量表示为： ； 同时，应变-位移关系为： ； 其中，为第个单元内任意一个节点的应变向量；是应变-位移矩阵，公式为： ； 步骤3.2、建立本构方程、平衡方程与总体刚度矩阵； 所述步骤3.2中，第个单元的本构方程为： ； 其中，为第个单元内任意一个节点的应力张量；是弹性矩阵，表达式为： ； 其中，是弹性模量；是泊松比； 平衡方程的具体表达式为： ； 其中，是第个单元的体积；为虚应变；为应变向量；为应力张量；为体积；是第个单元的表面；是表面力向量；为表面；为位移向量；是节点的力向量； 总体刚度方程为： ； 其中，是总体刚度矩阵；为节点位移向量；为节点的力向量； 第个单元的刚度矩阵的计算公式为： ； 总体刚度矩阵的组装过程是将每个单元的刚度矩阵根据单元节点与总体节点的对应关系叠加到总体刚度矩阵的相应位置； 步骤3.3、求解总体刚度矩阵，并进行结果分析，得到地表移动变形的动态变化规律； 步骤3.3中，采用直接法或迭代法求解总体刚度方程得到节点位移向量；得到节点位移向量后，进一步计算单元的应变向量和应力张量；单元应变向量根据应变-位移关系计算，单元应力张量则由本构方程计算； 步骤4、建立构筑物移动变形预测模型； 所述步骤4中，构筑物移动变形预测模型的输入变量为地表移动变形观测数据中的相关参数，输出为构筑物的移动变形值；相关参数包括位移、倾斜度、曲率、应变； 构筑物移动变形预测模型包括多个堆叠的LSTM层、一个Transformer层、一个全连接层；LSTM为长短期记忆网络；Transformer是一种基于注意力机制的序列模型； 构筑物移动变形预测模型的工作过程为： 步骤4.1、将地表移动变形观测数据中的相关参数输入第一层LSTM；第一层LSTM的工作过程为： 步骤4.1.1、对输入的相关参数进行预处理，经过预处理后，输入的相关参数在每个时间点是一个向量，定义预处理后第个时间步的输入数据为，其中是输入数据的维度；为在第个时间步时，中的第个维度的数据； 步骤4.1.2、进行遗忘门计算，公式为： ； 其中，为第一层LSTM中遗忘门第个时间步的输出；为Sigmoid激活函数；为第一层LSTM中遗忘门的权重矩阵；为第一层LSTM中第个时间步的隐藏状态；为第一层LSTM中遗忘门的偏置向量； 步骤4.1.3、进行输入门计算，生成输入门的控制信号和候选细胞状态，公式为： ； ； 其中，为第一层LSTM中第个时间步输入门的控制信号；为第一层LSTM中输入门的权重矩阵；为第一层LSTM中输入门的偏置向量；为第一层LSTM中第个时间步的候选细胞状态；为tanh激活函数；为第一层LSTM中用于计算候选细胞状态的权重矩阵；为第一层LSTM中用于计算候选细胞状态的偏置向量； 步骤4.1.4、根据遗忘门和输入门的输出更新细胞状态： ； 其中，为第一层LSTM中第个时间步的更新细胞状态；表示逐元素相乘操作；是第一层LSTM中第个时间步的细胞状态； 步骤4.1.5、进行输出门计算，生成输出门的控制信号和输出隐藏状态，公式为： ； ； 其中，为第一层LSTM中第个时间步输出门的控制信号；为第一层LSTM中输出门的权重矩阵；为第一层LSTM中输出门的偏置向量；为第一层LSTM中第个时间步的隐藏状态； 步骤4.2、将输入第二层LSTM，第二层LSTM的计算公式如下： ； ； ； ； ； ； 其中，为第二层LSTM中遗忘门第个时间步的输出；是第二层LSTM中遗忘门的权重矩阵；是第二层LSTM中遗忘门的偏置向量；为第二层LSTM中第个时间步的隐藏状态； 为第二层LSTM中第个时间步输入门的控制信号；是第二层LSTM中输入门的权重矩阵；是第二层LSTM中输入门的偏置向量；为第二层LSTM中第个时间步的候选细胞状态；是第二层LSTM中用于计算候选细胞状态的权重矩阵；是第二层LSTM中用于计算候选细胞状态的偏置向量； 为第二层LSTM中第个时间步的更新细胞状态；是第二层LSTM中第个时间步的细胞状态； 为第二层LSTM中第个时间步输出门的控制信号；是第二层LSTM中输出门的权重矩阵；是第二层LSTM中输出门的偏置向量； 第二层LSTM中第个时间步的隐藏状态将作为第三层LSTM的输入； 步骤4.3、第层LSTM的输入为第层的输出隐藏状态；第层LSTM的计算公式如下： ； ； ； ； ； ； 其中，为第层LSTM中遗忘门第个时间步的输出；是第层LSTM中遗忘门的权重矩阵；是第层LSTM中遗忘门的偏置向量； 为第层LSTM中第个时间步输入门的控制信号；是第层LSTM中输入门的权重矩阵；是第层LSTM中输入门的偏置向量； 为第层LSTM中第个时间步的候选细胞状态；是第层LSTM中用于计算候选细胞状态的权重矩阵；是第层LSTM中用于计算候选细胞状态的相关偏置向量； 为第层LSTM中第个时间步的更新细胞状态；是第层LSTM中第个时间步的细胞状态； 为第层LSTM中第个时间步输出门的控制信号；是第层LSTM中输出门的权重矩阵；是第层LSTM中输出门的偏置向量； 为第层LSTM中第个时间步的隐藏状态； 为时间步总数，整个堆叠LSTM层的最终输出为第层LSTM中第个时间步的隐藏状态； 步骤4.4、将输入Transformer层，得到输出矩阵；Transformer层采用多头注意力机制和前馈神经网络；具体过程为： 步骤4.4.1、首先对堆叠LSTM层的最终输出进行线性变换得到查询矩阵、键矩阵和值矩阵；设、、分别为、、的权重矩阵，则： ； ； ； 然后，设、、为第个头的查询矩阵、键矩阵、值矩阵，则第个头的注意力得分为： ； 其中，为第个头的注意力得分；为softmax函数；是的维度；为转置符号；为头的数量； 最终，多头注意力的输出矩阵为： ； 其中，为拼接操作；是用于融合多头信息的权重矩阵；为第个头的注意力得分； 步骤4.4.2、对进行前馈神经网络处理，公式为： ； 其中，为前馈神经网络；、是前馈神经网络的两个不同权重矩阵；、是前馈神经网络的两个不同偏置向量； 步骤4.5、将输入全连接层，预测构筑物移动变形； 所述步骤4.5中，全连接层将的特征转换为具体的预测值；第个时间步的预测值的计算公式为： ； 其中，为全连接层的权重矩阵；为全连接层的偏置向量； 步骤5、对构筑物移动变形预测模型进行训练和验证，利用训练完成的模型进行构筑物移动变形预测； 步骤6、综合评价安全稳定性； 步骤7、修正预测模型参数并持续评价直至安全推采过构筑物。

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山东科技大学，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579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”。