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！

龙图腾网恭喜浙江大学申请的专利基于逻辑约束强化符号回归的涡轮叶片疲劳寿命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：CN119066985B 。

龙图腾网通过国家知识产权局官网在2025-04-25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：202411553941.8，技术领域涉及：G06F30/27；该发明授权基于逻辑约束强化符号回归的涡轮叶片疲劳寿命预测方法是由张益鸣;李佩;张树有设计研发完成，并于2024-11-04向国家知识产权局提交的专利申请。

本基于逻辑约束强化符号回归的涡轮叶片疲劳寿命预测方法在说明书摘要公布了：本发明公开了一种基于逻辑约束强化符号回归的涡轮叶片疲劳寿命预测方法：基于涡轮叶片的疲劳试验数据集构建符号库；对符号库中的输入变量进行无量纲预处理；构建包括以RNN为载体的强化学习模块和逻辑约束规则模块的逻辑约束强化符号回归模型，从符号库中选择节点构建表达式，并以真实疲劳试验所确定的寿命为基准，选择拟合效果最优的表达式为疲劳寿命预测公式；强化学习模块指导从符号库中选择节点和对构建的表达式结构优化，并在选择节点中施加逻辑约束规则；获得不同工况下涡轮叶片危险部位的基本力学性能参数作为疲劳寿命预测公式的输入，输出对应工况下涡轮叶片的疲劳寿命循环数，实现涡轮叶片疲劳寿命的预测。该方法可提高其预测效率和精度。

本发明授权基于逻辑约束强化符号回归的涡轮叶片疲劳寿命预测方法在权利要求书中公布了：1.一种基于逻辑约束强化符号回归的涡轮叶片疲劳寿命预测方法，其特征在于，所述方法包括以下步骤：S1：基于涡轮叶片的疲劳试验数据集构建符号库，所述符号库包括以下节点：输入变量、运算操作符和常数；S2：对符号库中的输入变量进行无量纲预处理，得到预处理后的符号库；S3：构建逻辑约束强化符号回归模型，包括以RNN为载体的强化学习模块和逻辑约束规则模块，用于从预处理后的符号库中选择节点构建一系列表达式，并以真实疲劳试验所确定的寿命为基准，选择拟合效果最优的表达式作为疲劳寿命预测公式后输出；其中，所述以RNN为载体的强化学习模块指导从符号库中选择节点和对构建的表达式结构优化，并在选择节点中通过所述逻辑约束规则模块施加逻辑约束规则；S4：对待测的涡轮叶片模型进行有限元仿真，获得不同工况下涡轮叶片危险部位的基本力学性能参数，作为步骤S3输出的疲劳寿命预测公式的输入，输出对应工况下涡轮叶片的疲劳寿命循环数，实现涡轮叶片疲劳寿命的预测；步骤S1中，所述输入变量为涡轮叶片的基本力学性能参数，具体包括：轴向应力σa、剪切应力τa、杨氏模量E、剪切模量G、轴向应变率εa以及剪切应变率γa；所述运算操作符包括加法运算符、减法运算符、乘法运算符、除法运算符、三角函数运算符、exp指数运算符；步骤S3中，所述以RNN为载体的强化学习模块利用RNN指导节点的选择和表达式结构优化，具体为：由RNN生成符号库中各节点的选择概率，作为强化学习的选择策略，每个选择行为都具有对应的反馈奖励值，与该表达式的拟合效果相关；RNN生成一批表达式，从中选出优秀表达式并强化与高奖励值相关的选择行为，引导后续批次生成更优表达式，一直持续到RNN能根据表达式状态从符号库中自主选择合适节点，逻辑约束强化符号回归模型能够生成拟合效果最优的表达式为止；步骤S3中，所述逻辑约束规则模块中的逻辑约束规则具体包括：采用数组跟踪表达式构建，控制表达式长度，以及对常数运算和函数嵌套的严格约束；其中，将逻辑约束规则以选择概率形式施加至每个节点的选择过程，为违反规则的节点类型施加负无穷大的选择概率；并应用L-BFGS优化算法确定常数节点的最优取值。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。