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！

龙图腾网恭喜海之信(山东)新材料有限公司申请的专利一种基于机器学习的复合材料托盘性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：CN118692591B 。

龙图腾网通过国家知识产权局官网在2025-01-10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：202411169922.5，技术领域涉及：G16C20/30；该发明授权一种基于机器学习的复合材料托盘性能预测方法是由张伟;蔡化琛;田延芬;王永浩;陈立伯;雷永亚;李晓阳设计研发完成，并于2024-08-26向国家知识产权局提交的专利申请。

本一种基于机器学习的复合材料托盘性能预测方法在说明书摘要公布了：本发明涉及托盘性能预测的技术领域，公开了一种基于机器学习的复合材料托盘性能预测方法，所述方法包括：采集复合材料托盘参数数据并进行向量化处理得到向量化后的托盘参数，将向量化后的托盘参数拼接得到融合托盘参数向量并进行压缩处理得到精简托盘参数向量；构建复合材料托盘性能预测模型，所述模型以精简托盘参数向量为输入，以托盘综合性能评估结果为输出，托盘性能预测模型采用基于重要性采样的梯度提升决策树进行预测；根据构建的复合材料托盘性能预测模型对托盘进行性能预测和评估，实现高效、准确的性能预测。

本发明授权一种基于机器学习的复合材料托盘性能预测方法在权利要求书中公布了：1.一种基于机器学习的复合材料托盘性能预测方法，其特征在于，所述方法包括：S1：采集复合材料托盘参数数据并进行向量化处理得到向量化后的托盘参数，所述参数数据包括材料成分参数、制造工艺参数、几何尺寸参数、力学参数和使用负荷参数；S2：将向量化后的托盘参数拼接得到融合托盘参数向量并进行压缩处理得到精简托盘参数向量；S3：构建复合材料托盘性能预测模型，所述模型以精简托盘参数向量为输入，以托盘综合性能评估结果为输出，其中基于重要性采样的梯度提升决策树为托盘性能预测模型的实施方法；S4：根据构建的复合材料托盘性能预测模型对托盘进行性能预测和评估；所述S1步骤中采集复合材料托盘参数数据并进行向量化处理得到向量化后的托盘参数，包括：所述材料成分参数包括基体材料类型、纤维类型、纤维体积分数和填料类型，其中基体材料类型包括环氧树脂、聚酯树脂、聚乙烯、聚丙烯和聚氨酯，采用独热编码进行向量化处理，纤维类型包括玻璃纤维、碳纤维和芳纶纤维，采用独热编码进行向量化处理，纤维体积分数为各纤维成分在复合材料中的比例，并将比例值进行向量化处理，填料类型包括玻璃微珠、纳米粘土、滑石粉和碳酸钙，采用独热编码进行向量化处理；所述制造工艺参数包括复合材料层合板的纤维材料铺设角度、铺设顺序、固化温度和固化时间，其中纤维材料铺设角度将每一层的铺设角度转换为对应的数值编码形成编码向量，纤维材料铺设顺序将每一层的铺设材料转换为对应的数值编码形成编码向量，向量维度为预置的最大铺设层数；所述几何尺寸参数包括托盘尺寸和托盘壁厚，并将数值进行拼接进行向量化处理；所述力学参数包括拉伸强度、压缩强度、弯曲强度和冲击强度，其中拉伸强度表示托盘的最大拉伸应力，压缩强度表示托盘的最大压缩应力、弯曲强度表示托盘在弯曲载荷作用下抵抗破坏的能力，冲击强度表示托盘在冲击载荷下的最大吸能能力，并将数值进行拼接进行向量化处理；所述使用负荷参数包括静载荷和动载荷，其中静载荷表示托盘在静止条件下能够承受的最大重量，动载荷表示托盘在移动条件下能够承受的最大重量，并将数值进行拼接进行向量化处理；所述S2步骤中将向量化后的托盘参数拼接得到融合托盘参数向量并进行压缩处理得到精简托盘参数向量，包括：S21：将融合托盘参数向量通过线性层转换为语义向量，转换计算公式为： ；其中： 表示语义向量维度； 表示编码器网络的权重矩阵； 表示编码器网络的偏置向量； 表示输出的融合托盘参数向量；S22：对语义向量进行注意力得分计算，计算公式为： ；其中： 表示查询向量； 表示键向量； 表示语义向量维度；S23：对注意力得分进行权重归一化得到归一化后的注意力权重，使得所有注意力权重的和为1，归一化计算公式为： ；其中： 表示第i维的注意力得分； 表示第i维归一化后的注意力权重；S24：利用归一化后的注意力权重对语义值向量进行加权求和，得到精简托盘参数向量，计算公式为： ；其中： 表示第i个语义值向量； 表示第i个值权重矩阵；S25：将精简托盘参数向量通过解码器网络进行解码重构融合托盘参数向量，解码重构计算公式为： ；其中： 表示解码器网络的权重矩阵； 表示解码器网络的偏置向量；S26：根据重构后的融合托盘参数向量和原始融合托盘参数向量构建目标损失函数，目标损失函数计算公式为： ；其中： 表示托盘参数向量数量； 表示第i个融合托盘参数向量； 表示第i个重构后的融合托盘参数向量；S27：对目标损失函数进行优化求解得到神经编码模型参数并进行向量压缩处理，其中混合共轭梯度为所述优化求解的实施方法；所述S27步骤中对目标损失函数进行优化求解得到神经编码模型参数，包括：S27.1：初始化神经编码模型参数，计算当前模型参数下的目标损失函数梯度，计算公式为： ；其中： 表示第k轮迭代的目标损失函数梯度； 表示第k轮迭代的模型参数； 表示以参数为优化变量的目标损失函数；S27.2：计算共轭梯度方向，并对共轭梯度方向和梯度方向进行加权处理得到当前轮次的混合搜索方向，混合搜索方向计算公式为： ；其中： 表示第k轮计算得到的动态权重参数； 表示目标损失函数梯度方向； 表示第k轮迭代计算得到的共轭梯度方向； 表示混合搜索方向；所述共轭梯度计算公式为： ；其中：表示调整因子，所述调整因子计算公式为： ；S27.3：通过线搜索方法确定更新步长，计算公式为： ；其中： 表示步长参数变量； 表示第k轮计算得到的更新步长；S27.4：根据计算得到更新步长更新神经编码模型参数，参数更新计算公式为： ；其中： 表示第k+1轮迭代得到的模型参数；S27.5：迭代执行步骤S27.1至步骤S27.4直到达到最大迭代次数，输出最终模型参数为最优神经编码模型参数；所述动态权重参数，包括：S51：根据当前轮次的共轭梯度和梯度进行增量计算得到共轭梯度增量和梯度增量，计算公式为： ； ；其中： 和分别表示第k轮次的共轭梯度增量和梯度增量；S52：根据计算得到的共轭梯度增量和梯度增量进行权重计算得到当前轮次的权重参数，权重计算公式为： ；其中： 表示小正数，取值为，用于防止分母为0；所述S3步骤中构建复合材料托盘性能预测模型，所述模型以精简托盘参数向量为输入，以托盘综合性能评估结果为输出，包括：S31：随机初始化梯度提升决策树模型并计算初始偏差，初始偏差计算公式为： ；其中： 表示第i个精简托盘参数向量样本数据的初始残差； 表示模型预测值与真实值之间的损失函数； 表示第i个精简托盘参数向量样本数据； 表示模型在第i个精简托盘参数向量样本数据上的预测值； 表示第i个精简托盘参数向量样本数据的真实值； 表示初始时刻模型在第i个精简托盘参数向量样本数据上的预测值； 表示偏导操作；S32：使用计算得到的偏差为目标变量进行决策树拟合；S33：根据计算得到的最终模型进行托盘综合性能评估；所述S32步骤中使用计算得到的偏差为目标变量进行决策树拟合，包括：S32.1：计算所有样本数据梯度，计算公式为： ；其中： 表示第i个精简托盘参数向量样本数据的梯度； 表示t-1轮次模型在第i个精简托盘参数向量样本数据上的预测值；S32.2：根据计算得到的样本数据梯度的绝对值排序，选取梯度绝对值最大的前个样本作为重要样本集A，从剩余样本中随机采样个样本作为非重要样本集B；其中： 表示重要样本集的比例，取值范围为（0,1）； 表示非重要样本集的比例，取值范围为（0,1）； 表示精简托盘参数向量样本数据总量；S32.3：对非重要样本的梯度进行放大处理，重要样本不进行处理，梯度处理计算公式为： ；其中： 表示调整后的第i个精简托盘参数向量样本数据的梯度；S32.4：使用调整后的所有样本梯度作为分类目标，对样本集合构建决策树；其中： 表示t轮次构建的决策树；x表示精简托盘参数向量；S32.5：根据当前轮次构建得到的决策树更新模型，计算公式为： ；其中： 表示学习率； 表示第t轮迭代后的模型； 表示第t-1轮迭代后的模型；S32.6：根据更新后的模型计算偏差值，并迭代执行步骤S32.1至步骤S32.5直至达到最大迭代次数。

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海之信(山东)新材料有限公司，其通讯地址为：252300 山东省聊城市阳谷县石佛镇祥光生态工业园祥光南路与银桥路交叉口西北角；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”。