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！

龙图腾网获悉长安大学申请的专利基于物理信息网络的静压桩时变承载力感知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：CN119312671B 。

龙图腾网通过国家知识产权局官网在2025-12-02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：202411359873.1，技术领域涉及：G06F30/27；该发明授权基于物理信息网络的静压桩时变承载力感知预测方法是由李林;左林龙;朱谭谭;李尧;胡涛涛;李致远;宋博恺设计研发完成，并于2024-09-27向国家知识产权局提交的专利申请。

本基于物理信息网络的静压桩时变承载力感知预测方法在说明书摘要公布了：本发明提供了基于物理信息网络的静压桩时变承载力感知预测方法包括：利用桩身传感器收集孔压消散数据；将孔压消散数据和计算点输入至PINNs正反演一体化反演模型中，并在反向传播中估计超孔隙水压力得到最终的固结系数；将所述最终的固结系数和所述计算点输入至PINNs正反演一体化正演模型中，并在反向传播中估计超孔隙水压力；将测试集输入至训练完成的PINNs正反演一体化正演模型，输出桩侧土体超孔隙水压力消散度，并根据该值预测静压桩时变承载力。本发明能通过桩身孔压传感器短期的孔压消散测试数据准确反演感知土层固结系数，进而预测桩侧土体固结度，从而实现对静压桩时变承载力的精准预测。

本发明授权基于物理信息网络的静压桩时变承载力感知预测方法在权利要求书中公布了：1.一种基于物理信息网络的静压桩时变承载力感知预测方法，其特征在于，包括： S100，利用桩身传感器收集孔压消散数据；所述孔压消散数据包括传感器的布设深度、通过传感器采集的超孔隙水压力和采集时间； S200，将所述孔压消散数据和计算点输入至PINNs正反演一体化反演模型中，并在反向传播中估计超孔隙水压力得到最终的固结系数； S300，将所述最终的固结系数和所述计算点输入至PINNs正反演一体化正演模型中，并在反向传播中估计超孔隙水压力得到训练完成的PINNs正反演一体化正演模型； S400，将测试集输入至训练完成的PINNs正反演一体化正演模型中，输出桩侧土体超孔隙水压力消散度，并根据该桩侧土体超孔隙水压力消散度预测静压桩时变承载力，所述测试集由若干需要预测的计算点组成，所述计算点包含时间和径向距离； 所述PINNs正反演一体化反演模型包括第一神经网络；所述固结系数通过对所述第一神经网络训练得到，训练过程包括：重复向所述第一神经网络输入孔压消散数据和计算点，并输出超孔隙水压力的第一估计值，利用超孔隙水压力的第一估计值计算物理信息-数据损失函数，并根据所述物理信息-数据损失函数反向更新所述第一神经网络的权重和偏置直至训练截止，将训练截止时的固结系数作为最终的固结系数； 所述第一神经网络的训练过程包括： a1，从将采集到的孔压消散数据和计算点输入至PINNs正反演一体化反演模型中，得到超孔隙水压力的第一估计值；所述第一神经网络包括：第一输入层、第一输出层和第一隐藏层； b1，根据所述超孔隙水压力的第一估计值，计算所述物理信息-数据损失函数的残差； c1，根据所述物理信息-数据损失函数的残差，并利用链式法则反向更新所述第一神经网络的权重和偏置，并作为下一次循环的第一神经网络； d1，重复a1-c1直至所述物理信息-数据损失函数的残差小于预定的第一标准则训练截止，并将训练截止时的物理信息-数据损失函数中的固结系数作为最终的固结系数； 所述PINNs正反演一体化正演模型包括第二神经网络；所述PINNs正反演一体化正演模型的训练过程包括：重复向所述第二神经网络输入计算点，并输出超孔隙水压力的第二估计值，利用超孔隙水压力的第二估计值计算物理信息损失函数，并根据所述物理信息损失函数反向更新所述第二神经网络的权重和偏置直至训练截止； 所述第二神经网络的训练过程包括： a2，将所述最终的固结系数作为所述第二神经网络的物理信息损失函数的固结系数，并将所述计算点输入至所述第二神经网络中，得到超孔隙水压力的第二估计值；所述第二神经网络包括：第二输入层、第二输出层和第二隐藏层； b2，根据第二估计值计算物理信息损失函数； c2，根据所述物理信息损失函数的残差，并利用链式法则反向更新所述第二神经网络的权重和偏置； d2，重复a2-c2直至所述物理信息损失函数的残差小于预定的第二标准则训练截止得到训练完成的PINNs正反演一体化正演模型。

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长安大学，其通讯地址为：710064 陕西省西安市雁塔区南二环中段；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。