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！

龙图腾网恭喜山东捷讯通信技术有限公司申请的专利一种基于ResNet的屋面钢板结构载荷评估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：CN114417672B 。

龙图腾网通过国家知识产权局官网在2025-04-04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：202210087330.3，技术领域涉及：G06F30/23；该发明授权一种基于ResNet的屋面钢板结构载荷评估方法是由谷永辉;刘昌军设计研发完成，并于2022-01-25向国家知识产权局提交的专利申请。

本一种基于ResNet的屋面钢板结构载荷评估方法在说明书摘要公布了：本发明涉及一种基于ResNet的屋面钢板结构的载荷评估方法。本方法包含以下几个步骤：使用Ansys有限元分析软件对屋面的钢板结构进行有限元仿真，确定应变采集位置，并得到不同载荷对应的应变值；对获得的应变值进行数据筛选、清洗，建立屋面板材机构载荷‑应变数据库，并划分训练集与测试集；使用ResNet34对训练集数据训练，并在测试集进行测试，得到测试结果；并使用平均相对误差作为评价指标。完成数据预处理后，使用训练集对ResNet34模型进行训练，在测试集上对模型进行评估；然后将训练好的ResNet模型用于屋面钢板结构的载荷预测。本发明对屋面钢板结构载荷进行了准确的检测，实用性强，比传统计算载荷的方法准确度高。可广泛应用于屋面钢板结构载荷计算领域。

本发明授权一种基于ResNet的屋面钢板结构载荷评估方法在权利要求书中公布了：1.一种基于ResNet的屋面钢板结构载荷评估方法，其特征在于，包括以下几个步骤：步骤1：根据屋面钢板的实际结构，进行受力分析与结构模型建立，并在Ansys有限元分析软件中建立屋面钢板结构模型；步骤2：在Ansys有限元仿真软件中进行有限元仿真，选择载荷加载位置，并施加多次不同大小的载荷，采集载荷加载时对应的钢板结构所有有限元结构的应变，建立屋面钢板结构的载荷-应变数据库；步骤3：选择实验时的光纤光栅布点的位置，根据实验的布点位置，清洗并筛选出仿真时对应的应变值，并进行数据预处理；建立模型的训练集、验证集和测试集；步骤4：使用训练集训练ResNet34模型，将二维的网络修改为一维网络，输入维度改为应变总数；步骤5：使用测试集测试训练好的ResNet34的性能，然后将模型用于屋面钢板结构的载荷评估，并输出平均相对误差；所述步骤4中，对ResNet34的模型训练与修改，ResNet34由1×7的卷积，4个layer组成，每个layer中包含多个ResidualBlock；下采样使用Conv-Downsampling下采样，具体步骤如下：步骤41：输入ResNet34的应变数据首先通过一个大小为1×7，步长为2的卷积核，进行数据的初步提取；然后通过大小为1×3，步长为2的卷积核完成下采样；卷积下采样的公式如下： ；上式中，conv_out为下采样的输出维度，n为卷积的输入维度；由于是一维卷积，所以卷积输入的另一个维度为1； 表示向上取整，3为卷积核的大小，2为卷积核的步长；公式的来源为卷积输出维度的计算；如果输入的维度n为偶数，设为2m，公式右侧变为，向上取整后变为m-1+1，卷积后的结果为m，与下采样的结果相同；如果输入的维度n为奇数，设为2m+1，则公式的右侧变为，取整后为m-1+1，卷积后的结果仍为m，与下采样的结果相同；步骤42：在浅层特征与深层特征之间建立连接，将多次卷积后的特征与浅层特征进行特征融合，并且在卷积过程中加入BNBatchnormalization层，得到ResNet的基本组成部分--ResidualBlock，ResidualBlock的公式如下： ；其中，z和x表示残差块的输入和输出向量，F表示残差部分，由两个或三个卷积操作构成，表示残差后的特征与输入特征的映射相加，并且两者的维度需要相同；在残差部分中加入1×1的卷积，用于对卷积结果的升维或降维；步骤43：在ResNet34中，4个不同的layer由不同数量的残差块组成，在4个layer中，残差块的数量分别为3,4,6,3；任意两个不同的layer之间使用Conv-Downsampling下采样连接，并且在网络的最后加入全连接层；剔除原来的ResNet34的softmax层，直接输出最后的预测结果；损失函数从交叉熵损失函数变为均方差损失函数，均方差损失函数的公式如下： 。

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捷讯通信技术有限公司，其通讯地址为：264200 山东省威海市环翠区羊亭镇海峰路环翠创新园智能控制研究中心办公楼；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”。