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！

龙图腾网获悉北京理工大学申请的专利一种基于无量纲分析和多任务学习的侵彻效应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：CN120850827B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202511360091.4，技术领域涉及：G06F30/27；该发明授权一种基于无量纲分析和多任务学习的侵彻效应预测方法是由徐豫新;张益荣;张美慧设计研发完成，并于2025-09-23向国家知识产权局提交的专利申请。

本一种基于无量纲分析和多任务学习的侵彻效应预测方法在说明书摘要公布了：本发明涉及一种基于无量纲分析和多任务学习的侵彻效应预测方法，属于钨球对靶板侵彻效应的快速预测领域。通过试验数据修正侵彻效应模型系数；利用修正后的侵彻深度模型、剩余速度模型生成不同工况下的输出数据，分别将模型输入参数及输出数据构建为侵彻深度数据集和剩余速度数据集；分别从侵彻深度数据集、剩余速度数据集中选择特征，用于分别构建两个机器学习模型；构建并训练基于多层感知机的侵彻深度预测模型、剩余速度预测模型；重新设置神经网络参数，使得两个模型的输入层和第一隐藏层保持一致；再将二者融合，得到多任务多层感知机侵彻效应预测模型；对多任务多层感知机侵彻效应预测模型的输出进行后处理，实现弹体侵彻效应自动预测。

本发明授权一种基于无量纲分析和多任务学习的侵彻效应预测方法在权利要求书中公布了：1.一种基于无量纲分析和多任务学习的侵彻效应预测方法，其特征在于包括如下步骤： 步骤一，通过试验数据修正侵彻效应模型系数，侵彻效应模型包括侵彻深度模型和剩余速度模型；利用修正后的侵彻深度模型、剩余速度模型生成不同工况下的输出数据，根据侵彻深度模型的输入参数及输出数据构建为侵彻深度数据集，根据剩余速度模型的输入参数及输出数据构建为剩余速度数据集； 步骤二，从步骤一的侵彻深度数据集中选择特征，构建侵彻深度机器学习模型，从步骤一的剩余速度数据集中选择特征，构建剩余速度机器学习模型； 步骤三，根据步骤二构建的侵彻深度机器学习模型构建基于多层感知机的侵彻深度预测模型并进行训练；根据步骤二构建的剩余速度机器学习模型构建基于多层感知机的剩余速度预测模型并进行训练； 步骤四，对步骤三训练后的侵彻深度预测模型和剩余速度预测模型均重新设置神经网络参数，使得侵彻深度预测模型和剩余速度预测模型的输入层参数一致，且使得侵彻深度预测模型和剩余速度预测模型的第一隐藏层参数一致，然后将侵彻深度预测模型和剩余速度预测模型进行融合，得到多任务多层感知机侵彻效应预测模型； 步骤五，对步骤四得到的多任务多层感知机侵彻效应预测模型的输出结果进行后处理，得到处理结果，根据处理结果对弹体侵彻效应进行自动预测； 所述步骤一中，侵彻深度模型的输入参数包括弹体的密度、靶板的密度、弹体的弹性模量、靶板的弹性模量、弹体的屈服强度、靶板的屈服强度、靶板厚度、弹丸直径、侵彻速度； 侵彻深度模型的输出数据为侵彻深度； 所述步骤一中，剩余速度模型的输入参数包括弹体的密度、靶板的密度、弹体的弹性模量、靶板的弹性模量、弹体的屈服强度、靶板的屈服强度、靶板厚度、弹丸直径、侵彻速度； 剩余速度模型的输出数据为剩余速度； 所述步骤五中，处理结果分为如下四种情况： 第一种情况：当输出结果中，侵彻深度＜靶板厚度且剩余速度＞0时，计算； 当时，处理结果为剩余速度； 当时，处理结果为侵彻深度； 第二种情况：当输出结果中，侵彻深度≥靶板厚度且剩余速度＞0时，处理结果为剩余速度； 第三种情况：当输出结果中，侵彻深度＜靶板厚度且剩余速度≤0时，处理结果为侵彻深度； 第四种情况：当输出结果中，侵彻深度≥靶板厚度且剩余速度≤0时，处理结果为剩余速度=0ms。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。