“李钼石”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果11个，建议您升级VIP下载更多相关专利

[发明专利]一种基于图像处理的自冲铆接剖面几何参数自动测量方法-CN202210191550.0有效
发明人：黄理;仝超;陈秋任;赵海龙;李钼石;胡晓雅;谈俊;谭国笔;黄诗尧;韩维建 -专利权人：长三角先进材料研究院
申请日： 2022-02-28 - 公布日： 2023-08-18 - 主分类号： G01B11/03 文献下载
摘要：本发明公开了一种基于图像处理的自冲铆接剖面几何参数自动测量方法，获取自冲铆接剖面图像，利用图像阈值方法对自冲铆接剖面图像进行二值化处理，分别得到铆钉的二值图像以及每层板材的二值图像；对得到铆钉的二值图像以及每层板材的二值图像进行去噪处理；分别提取各张二值图像中的轮廓坐标；从得到的轮廓坐标中自动获得自冲铆接结构各个几何参数对应的测量点；自冲铆接结构的几何参数包括头高HH、自锁量Int、底切量Tmin/BLT、中部底切量BLCT、边部底切量BLRT、铆钉长度RFL、铆钉尾直径RTF、铆钉头直径RHD、空腔高度SG；基于所得到的测量点，分别计算出几何参数，实现自冲铆接剖面几何参数自动测量。本方法可以实现SPR剖面几何参数的自动化、标准化测量，并提高剖面几何参数的测量速度和准确度。
一种基于图像处理铆接剖面几何参数自动测量方法

[发明专利]基于切换序贯采样模式的减速器优化设计实现方法-CN201910007018.7有效
发明人：刘钊;李钼石;许灿;朱平 -专利权人：上海交通大学
申请日： 2019-01-04 - 公布日： 2023-01-20 - 主分类号： G06F30/23 文献下载
摘要：一种基于切换序贯采样模式的减速器优化设计实现方法，采用拉丁超立方采样方法与高精度计算模型构建初始数据库，并依此构建初始代理模型；在迭代更新代理模型样本点的过程中，采用互相独立的面向全局最优搜索和/或面向局部最优搜索，并根据代理模型的迭代过程中获取的搜索参数进行序贯采样模式的切换，当满足终止条件后得到最终优化结果，本方法增强了迭代过程中样本点对整个设计空间的探索能力，同时有效避免了迭代过程中产生冗余样本点，从而改善序贯采样代理模型全局优化算法的优化精度并提高其优化效率。
基于切换采样模式减速器优化设计实现方法

[发明专利]一种基于大数据驱动的连接工艺选优系统-CN202210915247.0在审
发明人：黄理;李钼石;韩维建;陈秋任;刘钊;赵海龙;仝超;翟强强;张净宜;谭国笔;黄诗尧;包祖国 -专利权人：长三角先进材料研究院
申请日： 2022-08-01 - 公布日： 2022-11-08 - 主分类号： G06F30/20 文献下载
摘要：本发明公开了一种基于大数据驱动的连接工艺选优系统，包括问题定义模块、数据生成模块、数据建模模块、数据应用模块；在问题定义模块中定义选优问题；根据定义的选优问题，在数据生成模块中对连接工艺分别进行试验设计与仿真，生成相应的实验数据与仿真数据，基于实验数据、仿真数据与引进数据形成大数据库；在数据建模模块中基于生成的数据训练用于预测工艺参数与服役性能间关系的机器学习模型，并根据建模结果对选优问题进行降维简化，并指导数据生成模块进行重采样从而更新并完善模型；最后在数据应用模块中，基于训练好的机器学习模型，对使用该工艺的零部件进行相应服役性能预测以及工艺的工艺参数设计，从而实现高效高精度的智能设计。
一种基于数据驱动连接工艺选优系统

[发明专利]介观结构优化方法-CN201910608548.7有效
发明人：朱平;徐蔚云;刘钊;李钼石 -专利权人：上海交通大学
申请日： 2019-07-08 - 公布日： 2022-11-08 - 主分类号： G16C60/00 文献下载
摘要：一种介观结构优化方法，采用拉丁超立方采样方法构建介观结构设计变量的初始样本点，采用MATLAB平台生成介观结构静态仿真模型的计算文件并提交至软件求解器进行计算，生成有限元仿真结果；最后通过自动化脚本对仿真的输出结果文件进行文本处理与数据提取，将样本点响应值输出为txt文件，完成介观结构优化过程中的建模仿真数据提取的自动化流程。本发明通过MATLAB调用操作系统命令行、有限元分析软件和Python语言，编程实现无GUI界面的仿真建模，在需要求得大量样本点对应的响应值的情况下，通过多次循环可以实现不同样本点下的响应值数据提取，简化了优化过程中多次人工操作的繁琐，提升了优化效率。
结构优化方法

[发明专利]一种基于条件生成对抗网络的连接件剖面预测方法-CN202210533743.X在审
发明人：黄理;仝超;李钼石;陈秋任;赵海龙;刘钊;胡晓雅;方宇东;翟强强;黄诗尧;包祖国;韩维建 -专利权人：长三角先进材料研究院
申请日： 2022-05-17 - 公布日： 2022-09-06 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了一种基于条件生成对抗网络的连接件剖面预测方法，通过搭建条件生成对抗网络CGAN；针对待预测的连接工艺，选取该连接工艺的连接参数作为条件生成对抗网络的控制条件y；制作待预测连接工艺的数据集，并划分训练集和测试集；对数据集中的图像进行图像增强；设置CGAN网络训练参数；将训练集加入CGAN网络进行训练；利用测试集对CGAN网络进行测试，并根据训练结果进行CGAN网络优化；利用训练好的CGAN网络对同类型的连接工艺进行预测。本发明将条件生成对抗网络(CGAN)应用到连接件剖面图像预测中，在不破坏各几何参数之间相关性的同时，有效提高了连接件剖面几何参数的预测效果，为实现连接件剖面几何参数预测提供更为直观可靠的方法。
一种基于条件生成对抗网络连接剖面预测方法

[发明专利]一种基于UNet深度神经网络的自冲铆接剖面图像分割方法-CN202210188926.2在审
发明人： 李钼石;黄理;仝超;陈秋任;赵海龙;胡晓雅;刘钊;朱平;韩维建 -专利权人：长三角先进材料研究院
申请日： 2022-02-28 - 公布日： 2022-06-03 - 主分类号： G06T7/11 文献下载
摘要：本发明公开了一种基于UNet深度神经网络的自冲铆接剖面图像分割方法，获取自冲铆接剖面图像作为样本图像，并且通过标注工具对每一张样本图像进行标注，生成样本图像对应的标签图像及包含标注结果的文本文件，由此构建初始数据集；对初始数据集中的样本图像进行数据增强，进而获得图像增强后的训练集；基于深度学习框架，构建初始Unet深度神经网络；设置Unet深度神经网络的训练参数；利用增强后的训练集训练Unet分割模型；应用训练好的Unet分割模型对自冲铆接剖面进行分割。本方法可以对自冲铆接剖面图片进行图像分割，克服现在工程师手动测量与标注剖面图像存在的缺点，为后续自动测量剖面几何参数提供支持。
一种基于 unet 深度神经网络铆接剖面图像分割方法

[发明专利]一种基于深度学习的连接件剖面图像自动分割方法-CN202111224198.8在审
发明人：仝超;黄理;赵海龙;陈秋任;李钼石;刘钊;方宇东;谈俊;胡晓雅;黄诗尧;包祖国;韩维建 -专利权人：长三角先进材料研究院;集萃新材料研发有限公司
申请日： 2021-10-20 - 公布日： 2022-01-25 - 主分类号： G06T7/11 文献下载
摘要：本发明公开了一种基于深度学习的连接件剖面图像自动分割方法，针对轻量化连接工艺，收集连接件的剖面图像作为样本图像，对每一张样本图像通过标注工具进行标注，标注出图像中不同板材、紧固件及其它关注区域位置，生成标注后样本图像对应的掩码图像及文本文件，并将其与原图一起作为训练样本；将训练样本进行图像增强处理，并生成对应的掩码图像及文本文件；选择或搭建基于图像实例分割的深度学习模型；针对选择或搭建的深度学习网络模型进行训练环境的搭建；设置深度学习网络模型的训练参数；将训练样本加入深度学习网络模型进行训练，训练完成后得到的深度学习模型用于连接件的剖面图像自动分割。
一种基于深度学习连接剖面图像自动分割方法

[发明专利]纤维增强复合材料随机力学性能预测方法-CN201911187698.1有效
发明人：朱平;许灿;刘钊;李钼石 -专利权人：上海交通大学
申请日： 2019-11-28 - 公布日： 2021-07-13 - 主分类号： G01N3/00 文献下载
摘要：一种纤维增强复合材料随机力学性能预测方法，通过确定多尺度模型并生成输入不确定性数据集；对每个尺度下的输入不确定性数据集进行相关性分析得到各输入变量之间的相关系数，并根据相关性强弱采取对应转换途径得到符合标准高斯分布的随机响应；最后采取稀疏混沌多项式方法进行不确定性传递得到随机响应的表达式，并采用λ‑PDF以前表达式的四阶矩为约束拟合得到随机响应的概率密度函数，完成所有尺度的不确定性传递并输出最终结果。本发明充分考虑纤维增强复合材料各尺度的不确定性以及随机变量之间的高维相关性，通过层级式的不确定性传递技术对纤维增强复合材料宏观随机力学性能的进行高效准确的预测。
纤维增强复合材料随机力学性能预测方法

[发明专利]纤维增强复合材料参数层级敏感性分析方法-CN201911193182.8有效
发明人：朱平;许灿;刘钊;李钼石 -专利权人：上海交通大学
申请日： 2019-11-28 - 公布日： 2021-06-04 - 主分类号： G01N3/00 文献下载
摘要：一种纤维增强复合材料参数层级敏感性分析方法，通过确定纤维增强复合材料多尺度模型各层级的子模型，经细观‑介观尺度模型材料参数敏感性分析得到细观‑介观尺度指标，然后通过介观‑宏观尺度模型材料参数敏感性分析得到介观‑宏观尺度指标和独立转换变量；再基于敏感性分析得到细观材料参数与独立转换变量的敏感性指标；最后通过线性回归获得线性回归系数并集成组合上述指标获得整个纤维增强复合材料多尺度模型的敏感性指标，并基于该敏感性指标对材料参数的影响程度进行有效评估。本发明对提高新材料的设计效率，缩短设计周期，快速有效地进行材料设计方案有着重要意义和实际价值。
纤维增强复合材料参数层级敏感性分析方法

[发明专利]一种基于机器学习的疲劳性能预测方法-CN202011123975.5在审
发明人：黄理;赵海龙;刘如学;方宇东;吴赛楠;刘钊;李钼石;李大永;韩维建 -专利权人：集萃新材料研发有限公司;长三角先进材料研究院
申请日： 2020-10-20 - 公布日： 2021-01-12 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于机器学习的疲劳性能预测方法，首先收集材料数据形成初始样本数据，采用Sobol全局灵敏度分析方法评估各特征变量对输出变量方差的贡献度，并对特征变量的重要性进行排序，进而筛选出关键特征变量，形成训练样本数据；将训练样本数据划分为训练集、验证集和测试集用于训练模型；基于训练集与验证集数据进行模型训练学习，获取对应模型参数，输出基于现有训练集/验证集学习训练的模型，采用决定系数R2来定量评估模型预测表现，完成模型的建立，利用训练好的模型进行疲劳性能预测。本发明利用更加全面的材料信息建立其与疲劳性能的非线性对应关系并应用于更高精度和泛化环境的疲劳性能预测中。
一种基于机器学习疲劳性能预测方法

[发明专利]基于迁移学习-多保真度建模的介观结构件力学性能预测方法-CN202011087261.3在审
发明人：刘钊;李钼石;朱平;凌闻元 -专利权人：上海交通大学
申请日： 2020-10-13 - 公布日： 2021-01-05 - 主分类号： G06F30/23 文献下载
摘要：一种基于迁移学习‑多保真度建模的介观结构件力学性能预测方法，采用包含两个保真度数据集的初始数据库，并基于低保真度数据集对前馈人工神经网络(Artificial Neural Network,ANN)进行初始训练，得到低保真度神经网络；再进行微调(finetune)重训练得到多保真度神经网络；将待预测介观结构件作为此多保真度神经网络输入并预测得到其力学性能。本发明嫩故以较高精度预测介观结构件对应的力学性能，能够融合不同保真度数据进行建模，且相比传统协同克里金法对高保真度数据需求量较少，降低了介观力学性能的预测成本。
基于迁移学习保真度建模结构件力学性能预测方法

1
共 11 条