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！

龙图腾网恭喜厦门大学申请的专利一种耦合机理模型与深度学习的湖库营养盐浓度模拟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：CN119962408B 。

龙图腾网通过国家知识产权局官网在2025-06-06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：202510447526.2，技术领域涉及：G06F30/27；该发明授权一种耦合机理模型与深度学习的湖库营养盐浓度模拟方法是由梁中耀;林凌婧;舒雅琦;陈能汪;吕永龙设计研发完成，并于2025-04-10向国家知识产权局提交的专利申请。

本一种耦合机理模型与深度学习的湖库营养盐浓度模拟方法在说明书摘要公布了：本发明公开了一种耦合机理模型与深度学习的湖库营养盐浓度模拟方法，包括以下步骤：S1、构建湖库水动力水质机理模型，计算营养盐的内循环过程通量，获得通量指标和营养盐浓度的次生数据；S2、通过对损失函数的物理指导正则化构建物理信息神经网络，并采用贝叶斯优化算法进行超参数优化，实现深度学习对湖库水动力水质机理模型的学习和替代；S3、设置物理信息神经网络的部分权重为可变参数，对步骤S2建立的深度学习模型进行微调，实现对实际观测营养盐浓度的模拟；S4、采用深度学习的解释方法识别营养盐浓度波动的主要影响因子，解析营养盐浓度演变的驱动机制，并进行湖库营养盐浓度的模拟和预测。

本发明授权一种耦合机理模型与深度学习的湖库营养盐浓度模拟方法在权利要求书中公布了：1.一种耦合机理模型与深度学习的湖库营养盐浓度模拟方法，其特征在于，包括以下步骤：S1、构建湖库水动力水质机理模型，计算营养盐的内循环过程通量，获得通量指标和营养盐浓度的次生数据；步骤S1的具体步骤为：S11、收集湖库区域的基础数据，并对基础数据进行数据预处理，得到基础数据库；S12、基于预处理后的数据设置边界条件，再基于湖库的地理信息进行网格划分，并设置初始模型参数，进行湖库水动力水质机理模型构建；S13、自动监测数据和通量测算数据用于评估湖库水动力水质机理模型的模拟效果，采用Sobol法确定敏感参数，再采用贝叶斯优化对湖库水动力水质机理模型的敏感参数进行率定；S14、采用均方误差和纳什效率系数评估湖库水动力水质机理模型精度，用于使湖库水动力水质机理模型的输出符合实际水文水质规律；S15、运行率定后的湖库水动力水质机理模型，生成通量指标和营养盐浓度的次生内循环数据；S16、将次生内循环数据与基础数据按照时间对齐，构建新数据库，用于后续的深度学习模型的训练；S2、通过对损失函数的物理指导正则化构建物理信息神经网络，并采用贝叶斯优化算法进行超参数优化，实现深度学习对湖库水动力水质机理模型的学习和替代；步骤S2的具体过程为：S21、以自动监测的水质指标及步骤S1生成的次生内循环通量指标为输入，以湖库水动力水质机理模型输出的次生营养盐浓度为输出；S22、构建深度学习模型时，通过在均方误差损失中引入物理指导正则化项，表征营养盐变化的质量守恒；S23、对深度学习模型进行预训练，使深度学习模型初步掌握物理规律，预训练阶段采用自步学习策略；S24、以验证集误差最小化为目标，动态搜索学习率、正则化系数、隐藏层节点数的最优组合；S25、采用贝叶斯优化方法，找到最佳的超参数组合化过程，再通过高斯过程建模超参数空间，迭代更新后验分布以提升收敛效率；S26、对比深度学习模拟结果与湖库水动力水质机理模型输出，使深度学习模型在保留物理规律的前提下实现高效替代；S3、设置物理信息神经网络的部分权重为可变参数，对步骤S2建立的深度学习模型进行微调，实现对实际观测营养盐浓度的模拟；步骤S3的具体过程为：S31、固定物理信息神经网络的主体结构，将最后两层全连接层的权重设为可调参数，以适配实际监测数据的分布特征；其中，主体结构包括GRU层和注意力模块；S32、将自动监测获得的水质指标和次生内循环过程通量指标合并为微调数据集，再以自动监测获得的营养盐浓度为输出，通过加权采样平衡数据比例；S33、应用迁移学习优化训练过程，使深度学习模型适配实际监测数据的分布特征；S34、通过纳什效率系数与均方根误差量化微调深度学习模型对实际浓度的模拟精度；S4、采用深度学习的解释方法识别营养盐浓度波动的主要影响因子，解析营养盐浓度演变的驱动机制，并进行湖库营养盐浓度的模拟和预测。

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厦门大学，其通讯地址为：361000 福建省厦门市思明南路422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”。