Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 商标交易 积分商城 国际服务 IP管家助手 科技果 科技人才 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 南京信息工程大学;江苏第二师范学院;河北省气象灾害防御和环境气象中心(河北省预警信息发布中心);江西信息应用职业技术学院幸韵获国家专利权

南京信息工程大学;江苏第二师范学院;河北省气象灾害防御和环境气象中心(河北省预警信息发布中心);江西信息应用职业技术学院幸韵获国家专利权

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!

龙图腾网获悉南京信息工程大学;江苏第二师范学院;河北省气象灾害防御和环境气象中心(河北省预警信息发布中心);江西信息应用职业技术学院申请的专利一种基于傅里叶神经算子的地表洪涝快速计算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:CN121543452B

龙图腾网通过国家知识产权局官网在2026-05-08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:202610064886.9,技术领域涉及:G06F30/27;该发明授权一种基于傅里叶神经算子的地表洪涝快速计算方法是由幸韵;林齐根;姜彤;王艳君;魏锡坤;司丽丽;占明锦设计研发完成,并于2026-01-19向国家知识产权局提交的专利申请。

一种基于傅里叶神经算子的地表洪涝快速计算方法在说明书摘要公布了:本发明公开了一种基于傅里叶神经算子的地表洪涝快速计算方法,提出一种融合二维水动力模型与物理约束傅里叶神经算子的城市洪涝建模与数值计算方法。该方法通过在传统浅水方程求解地表洪涝演进过程的框架下引入多尺度特征映射与物理约束机制,实现从低分辨率模拟结果与多源环境驱动数据到高分辨率洪涝响应场的非线性映射,从而在保证物理规律约束的前提下,本发明实现城市洪涝过程的高精度、快速化预测。

本发明授权一种基于傅里叶神经算子的地表洪涝快速计算方法在权利要求书中公布了:1.一种基于傅里叶神经算子的地表洪涝快速计算方法,其特征在于,包括以下步骤: 1收集研究区域的洪水模拟及观测数据,包括数字地形高程、土地利用类型和降雨数据,并对数据进行标准化处理,以构建用于训练神经算子的数据集;对降雨数据采用对数变换处理;; 2基于二维浅水方程,利用输入数据计算低分辨率水动力解,低分辨率水动力解提供洪水传播方向和积水区域的水动力信息; 3构建傅里叶神经算子模型,模型将低分辨率水动力解作为物理先验信息嵌入到输入层和特征编码层中,并通过傅里叶变换与多尺度卷积实现多尺度特征融合,以学习从输入数据到高分辨率洪涝预测解的非线性映射;傅里叶神经算子模型通过快速傅里叶变换和逆变换在频域内调制特征响应,并结合多层感知机进行局部特征提取,以增强特征表示能力;还包括使用重采样层进行维度对齐,重采样层采用三线性插值函数在时间和空间维度上进行连续插值;映公式如下: 其中,为输入函数;表征城市地形、土地利用、建筑分布、初始条件静态输入;表征随时间变化的降雨、边界水位外部输入数据;为低分辨率水动力解,低分辨率解提供洪水传播方向、积水区域重要水动力信息为高分辨率洪涝预测解,包括水深与流速;为二维空间坐标;t为时间变量; 在特征提取过程中融合低分辨率水动力解的物理先验信息与多源环境输入,实现多尺度特征的高效耦合与物理一致性约束;作为物理背景场被嵌入到深度映射的输入层与特征编码层中,通过傅里叶变换与多尺度卷积实现信息融合;在傅里叶层中,输入关系表示为: ; 其中,为第i层输入特征函数,为线性变换矩阵,用于通道映射;F为快速傅里叶变换FFT,F-1为傅里叶逆变换IFFT,为复权重参数张量,用于调制选定傅里叶模态k的响应;MLP为多层感知机,用于跳跃连接提取局部特征;ReLU为非线性激活函数,采用;为重采样层,用于维度对齐,表示为,为三线性插值函数,在时间-空间三维上进行连续插值;为学习权重,融入映射主干实现物理约束与数据驱动的融合; 4利用傅里叶神经算子模型输出高分辨率的水深场和流速场,并通过残差校正模块对输出结果进行物理一致性约束修正,其中残差校正模块基于浅水方程平衡误差和梯度平滑损失来确保预测结果的质量守恒和空间连续性;残差校正模块中浅水方程平衡误差用于约束预测结果的质量守恒,梯度平滑损失用于提高积水区水面边界的空间连续性和坡度一致性;其中, 输出层采用双通道结构,分别对应高分辨率的水深场与流速场;输出特征首先经过反傅里叶解码层,将频域特征重建为时空域解,再通过残差增强模块进行物理一致性约束修正;残差项由浅水方程平衡误差构成,具体形式为: ; 其中,表示平方和误差;在训练过程中,通过最小化以确保预测结果在物理约束下保持质量守恒;增加梯度平滑损失项;R为外部产汇流; ;其中为梯度; 5通过最小化融合损失函数来训练傅里叶神经算子模型,融合损失函数包括数据驱动损失项和物理约束损失项,实现数据驱动与物理机制的协同优化。

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南京信息工程大学;江苏第二师范学院;河北省气象灾害防御和环境气象中心(河北省预警信息发布中心);江西信息应用职业技术学院,其通讯地址为:210044 江苏省南京市江北新区宁六路219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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。