一种基于图神经网络的结构动力学模型生成方法

摘要

本发明公开了一种基于图神经网络的结构动力学模型的生成方法，所述方法包括：确定目标结构，获取所述目标结构的结构响应数据和拓扑信息；根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练；将训练后的所述人工神经网络作为所述目标结构对应的结构动力学模型。应用本发明生成的结构动力学模型可以计算(预测)结构的动力学响应。本发明通过将目标结构的拓扑信息引入深度学习网络的框架之中，可以在不失去深度学习网络对于目标结构的物理特征的提取能力的同时，一定程度上提高模型的泛化能力，实现人工神经网络模型在不同拓扑结构中的转换。解决了现有技术中用于模拟结构动力学的深度学习网络泛化能力差的问题。

权利要求

1.一种基于图神经网络的结构动力学模型生成方法，其特征在于，所述方法包括：确定目标结构，获取所述目标结构的结构响应数据和拓扑信息；

根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练；

将训练后的所述人工神经网络作为所述目标结构对应的结构动力学模型；

所述获取所述目标结构的结构响应数据，包括：

根据预设的抽样时间点采集目标结构上若干自由度分别对应的位移响应数据、速度响应数据以及加速度响应数据；

将所述位移响应数据、所述速度响应数据以及所述加速度响应数据作为所述结构响应数据；

所述根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练，包括：根据所述拓扑信息生成发送矩阵和接收矩阵，其中，所述发送矩阵和所述接收矩阵的组合可以反映所述目标结构的若干自由度之间的相互作用拓扑信息；

根据若干所述自由度分别对应的所述位移响应数据生成结构位移向量，根据若干所述自由度分别对应的所述速度响应数据生成结构速度向量，根据若干所述自由度分别对应的所述加速度响应数据生成训练标签数据；

根据所述发送矩阵、所述接收矩阵、所述结构位移向量以及所述结构速度向量和所述训练标签数据对所述人工神经网络进行训练。

2.根据权利要求1所述的基于图神经网络的结构动力学模型生成方法，其特征在于，所述人工神经网络包括第一多层感知机、第二多层感知机、第三多层感知机、第四多层感知机，所述根据所述发送矩阵、所述接收矩阵、所述结构位移向量以及所述结构速度向量和所述训练标签数据对所述人工神经网络进行训练，包括：根据所述发送矩阵、所述接收矩阵以及所述结构位移向量生成恢复力计算矩阵，将所述恢复力计算矩阵输入所述第一多层感知机，得到恢复力预测矩阵；

根据所述发送矩阵、所述接收矩阵以及所述结构速度向量生成阻尼力计算矩阵，将所述阻尼力计算矩阵输入所述第二多层感知机，得到阻尼力预测矩阵；

根据所述恢复力预测矩阵和所述阻尼力预测矩阵得到合力的计算矩阵，将所述合力的计算矩阵输入所述第三多层感知机，得到合力预测矩阵，其中，所述合力预测矩阵用于反映恢复力与阻尼力相加的矢量和；

获取外部激励荷载数据，根据所述接收矩阵、所述合力预测矩阵以及所述外部激励荷载数据生成加速度响应计算矩阵，将所述加速度响应计算矩阵输入所述第四多层感知机，得到加速度响应预测数据；

根据所述加速度响应预测数据和所述训练标签数据对所述人工神经网络进行训练。

3.根据权利要求2所述的基于图神经网络的结构动力学模型生成方法，其特征在于，所述根据所述发送矩阵、所述接收矩阵以及所述结构位移向量生成恢复力计算矩阵，包括：将所述发送矩阵与所述结构位移向量相乘，得到第一矩阵；

将所述接收矩阵与所述结构位移向量相乘，得到第二矩阵；

将所述第一矩阵与所述第二矩阵按列合并，得到所述恢复力计算矩阵。

4.根据权利要求2所述的基于图神经网络的结构动力学模型生成方法，其特征在于，所述根据所述发送矩阵、所述接收矩阵以及所述结构速度向量生成阻尼力计算矩阵，包括：将所述发送矩阵与所述结构速度向量相乘，得到第三矩阵；

将所述接收矩阵与所述结构速度向量相乘，得到第四矩阵；

将所述第三矩阵与所述第四矩阵按列合并，得到所述阻尼力计算矩阵。

5.根据权利要求2所述的基于图神经网络的结构动力学模型生成方法，其特征在于，所述根据所述恢复力预测矩阵和所述阻尼力预测矩阵得到合力的计算矩阵，包括：将所述恢复力预测矩阵和所述阻尼力预测矩阵按列合并，得到所述合力的计算矩阵。

6.根据权利要求2所述的基于图神经网络的结构动力学模型生成方法，其特征在于，所述根据所述接收矩阵、所述合力预测矩阵以及所述外部激励荷载数据生成加速度响应计算矩阵，包括：将所述合力预测矩阵左乘以所述接收矩阵的转置，得到第五矩阵；

将所述第五矩阵与所述外部激励荷载数据按列合并，得到所述加速度响应计算矩阵。

7.一种基于图神经网络的结构动力学模型生成系统，其特征在于，所述系统包括：数据获取模块，用于确定目标结构，获取所述目标结构的结构响应数据和拓扑信息；

网络训练模块，用于根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练，将训练后的所述人工神经网络作为所述目标结构对应的结构动力学模型；

所述获取所述目标结构的结构响应数据，包括：

根据预设的抽样时间点采集目标结构上若干自由度分别对应的位移响应数据、速度响应数据以及加速度响应数据；

将所述位移响应数据、所述速度响应数据以及所述加速度响应数据作为所述结构响应数据；

所述根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练，包括：根据所述拓扑信息生成发送矩阵和接收矩阵，其中，所述发送矩阵和所述接收矩阵的组合可以反映所述目标结构的若干自由度之间的相互作用拓扑信息；

根据若干所述自由度分别对应的所述位移响应数据生成结构位移向量，根据若干所述自由度分别对应的所述速度响应数据生成结构速度向量，根据若干所述自由度分别对应的所述加速度响应数据生成训练标签数据；

根据所述发送矩阵、所述接收矩阵、所述结构位移向量以及所述结构速度向量和所述训练标签数据对所述人工神经网络进行训练。

8.一种基于图神经网络的结构动力学模型，其特征在于，所述结构动力学模型采用上述权利要求1‑6任一项所述的基于图神经网络的结构动力学模型生成方法生成。

说明书

一种基于图神经网络的结构动力学模型生成方法

技术领域

[0001] 本发明涉及深度学习领域，尤其涉及的是一种基于图神经网络的结构动力学模型生成方法。

背景技术

[0002] 传统的结构动力学模拟方法(如有限元法)的目标是基于数学模型建立的，然而复杂结构的数学模型是很难获得的，因此传统方法是不能反映结构真实的物理特性的。为了克服传统模拟方法的局限性，机器学习方法，如SVM[1]，和深度学习方法，如ANN[2,3]、CNN[4]、RNN[5]、LSTM[6,7]等已经被引入到结构动力学的模拟过程中。但是，人工智能模型需要大量的实测数据用来训练，且训练好的模型泛化能力往往很差。因此，基于人工智能算法的结构动力学模拟方法也具有其自身的局限性。

[0003] 因此，现有技术还有待改进和发展。

发明内容

[0004] 本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于图神经网络的结构动力学模型生成方法，旨在解决现有技术中用于模拟结构动力学的深度学习网络泛化能力差的问题。

[0005] 本发明解决问题所采用的技术方案如下：

[0006] 第一方面，本发明实施例提供一种基于图神经网络的结构动力学模型生成方法，其中，所述方法包括：

[0007] 确定目标结构，获取所述目标结构的结构响应数据和拓扑信息；

[0008] 根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练；

[0009] 将训练后的所述人工神经网络作为所述目标结构对应的结构动力学模型。

[0010] 在一种实施方式中，所述获取所述目标结构的结构响应数据，包括：

[0011] 根据预设的抽样时间点采集目标结构上若干自由度分别对应的位移响应数据、速度响应数据以及加速度响应数据；

[0012] 将所述位移响应数据、所述速度响应数据以及所述加速度响应数据作为所述结构响应数据。

[0013] 在一种实施方式中，所述根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练，包括：

[0014] 根据所述拓扑信息生成发送矩阵和接收矩阵，其中，所述发送矩阵和所述接收矩阵的组合可以反映所述目标结构的若干自由度之间的相互作用拓扑信息；

[0015] 根据若干所述自由度分别对应的所述位移响应数据生成结构位移向量，根据若干所述自由度分别对应的所述速度响应数据生成结构速度向量，根据若干所述自由度分别对应的所述加速度响应数据生成训练标签数据；

[0016] 根据所述发送矩阵、所述接收矩阵、所述结构位移向量以及所述结构速度向量和所述训练标签数据对所述人工神经网络进行训练。

[0017] 在一种实施方式中，所述人工神经网络包括第一多层感知机、第二多层感知机、第三多层感知机、第四多层感知机，所述根据所述发送矩阵、所述接收矩阵、所述结构位移向量以及所述结构速度向量和所述训练标签数据对所述人工神经网络进行训练，包括：

[0018] 根据所述发送矩阵、所述接收矩阵以及所述结构位移向量生成恢复力计算矩阵，将所述恢复力计算矩阵输入所述第一多层感知机，得到恢复力预测矩阵；

[0019] 根据所述发送矩阵、所述接收矩阵以及所述结构速度向量生成阻尼力计算矩阵，将所述阻尼力计算矩阵输入所述第二多层感知机，得到阻尼力预测矩阵；

[0020] 根据所述恢复力预测矩阵和所述阻尼力预测矩阵得到合力的计算矩阵，将所述合力的计算矩阵输入所述第三多层感知机，得到合力预测矩阵，其中，所述合力预测矩阵用于反映恢复力与阻尼力相加的矢量和；

[0021] 获取外部激励荷载数据，根据所述接收矩阵、所述合力预测矩阵以及所述外部激励荷载数据生成加速度响应计算矩阵，将所述加速度响应计算矩阵输入所述第四多层感知机，得到加速度响应预测数据；

[0022] 根据所述加速度响应预测数据和所述训练标签数据对所述人工神经网络进行训练。

[0023] 在一种实施方式中，所述根据所述发送矩阵、所述接收矩阵以及所述结构位移向量生成恢复力计算矩阵，包括：

[0024] 将所述发送矩阵与所述结构位移向量相乘，得到第一矩阵；

[0025] 将所述接收矩阵与所述结构位移向量相乘，得到第二矩阵；

[0026] 将所述第一矩阵与所述第二矩阵按列合并，得到所述恢复力计算矩阵。

[0027] 在一种实施方式中，所述根据所述发送矩阵、所述接收矩阵以及所述结构速度向量生成阻尼力计算矩阵，包括：

[0028] 将所述发送矩阵与所述结构速度向量相乘，得到第三矩阵；

[0029] 将所述接收矩阵与所述结构速度向量相乘，得到第四矩阵；

[0030] 将所述第三矩阵与所述第四矩阵按列合并，得到所述阻尼力计算矩阵。

[0031] 在一种实施方式中，所述根据所述恢复力预测矩阵和所述阻尼力预测矩阵得到合力的计算矩阵，包括：

[0032] 将所述恢复力预测矩阵和所述阻尼力预测矩阵按列合并，得到所述合力的计算矩阵。

[0033] 在一种实施方式中，所述根据所述接收矩阵、所述合力预测矩阵以及所述外部激励荷载数据生成加速度响应计算矩阵，包括：

[0034] 将所述合力预测矩阵左乘以所述接收矩阵的转置，得到第五矩阵；

[0035] 将所述第五矩阵与所述外部激励荷载数据按列合并，得到所述加速度响应计算矩阵。

[0036] 第二方面，本发明实施例还提供一种基于图神经网络的结构动力学模型生成系统，其中，所述系统包括：

[0037] 数据获取模块，用于确定目标结构，获取所述目标结构的结构响应数据和拓扑信息；

[0038] 网络训练模块，用于根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练，将训练后的所述人工神经网络作为所述目标结构对应的结构动力学模型。

[0039] 第三方面，本发明实施例还提供一种基于图神经网络的结构动力学模型，其中，所述基于图神经网络的结构动力学模型采用上述任意所述的基于图神经网络的结构动力学模型生成方法生成。

[0040] 本发明的有益效果：本发明实施例通过确定目标结构，获取所述目标结构的结构响应数据和拓扑信息；根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练；将训练后的所述人工神经网络作为所述目标结构对应的结构动力学模型。应用本发明生成的结构动力学模型可以计算(预测)结构的动力学响应。本发明通过将目标结构的拓扑信息引入深度学习网络的框架之中，可以在不失去深度学习网络对于目标结构的物理特征的提取能力的同时，一定程度上提高模型的泛化能力，实现人工神经网络模型在不同拓扑结构中的转换。解决了现有技术中用于模拟结构动力学的深度学习网络泛化能力差的问题。

附图说明

[0041] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0042] 图1是本发明实施例提供的基于图神经网络的结构动力学模型生成方法的流程示意图。

[0043] 图2是本发明实施例提供的弹簧‑质量块系统的示意图。

[0044] 图3是本发明实施例提供的人工神经网络的训练过程示意图。

[0045] 图4是本发明实施例提供的地震加速度与时间的关系示意图。

[0046] 图5是本发明实施例提供的三自由度系统中第一个自由度的预测结果示意图。

[0047] 图6是本发明实施例提供的的三自由度系统中第二个自由度的预测结果示意图。

[0048] 图7是本发明实施例提供的的三自由度系统中第三个自由度的预测结果示意图。

[0049] 图8是本发明实施例提供的的四自由度系统中第一个自由度的预测结果示意图。

[0050] 图9是本发明实施例提供的四自由度系统中第二个自由度的预测结果示意图。

[0051] 图10是本发明实施例提供的四自由度系统中第三个自由度的预测结果示意图。

[0052] 图11是本发明实施例提供的四自由度系统中第四个自由度的预测结果示意图。

[0053] 图12是本发明实施例提供的基于图神经网络的结构动力学模型生成系统的内部模块示意图。

[0054] 图13是本发明实施例提供的终端的原理框图。

具体实施方式

[0055] 本发明公开了一种基于图神经网络的结构动力学模型生成方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

[0056] 本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

[0057] 本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

[0058] 传统的结构动力学模拟方法(如有限元法)的目标是基于数学模型建立的，然而复杂结构的数学模型是很难获得的，因此传统方法是不能反映结构真实的物理特性的。为了克服传统模拟方法的局限性，机器学习方法，如SVM[1]，和深度学习方法，如ANN[2,3]、CNN[4]、RNN[5]、LSTM[6,7]等已经被引入到结构动力学的模拟过程中。但是，人工智能模型需要大量的实测数据用来训练，且训练好的模型泛化能力往往很差。因此，基于人工智能算法的结构动力学模拟方法也具有其自身的局限性。

[0059] 针对现有技术的上述缺陷，本发明提供一种基于图神经网络的结构动力学模型生成方法，所述方法包括：确定目标结构，获取所述目标结构的结构响应数据和拓扑信息；根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练；将训练后的所述人工神经网络作为所述目标结构对应的结构动力学模型。本发明通过将目标结构的拓扑信息引入深度学习网络的训练过程。应用本发明生成的结构动力学模型可以计算(预测)结构的动力学响应。本发明通过将目标结构的拓扑信息引入深度学习网络的框架之中，可以在不失去深度学习网络对于目标结构的物理特征的提取能力的同时，一定程度上提高模型的泛化能力，实现人工神经网络模型在不同拓扑结构中的转换。解决了现有技术中用于模拟结构动力学的深度学习网络泛化能力差的问题。

[0060] 如图1所示，所述方法包括如下步骤：

[0061] 步骤S100、确定目标结构，获取所述目标结构的结构响应数据和拓扑信息。

[0062] 具体地，本实施例中的目标结构可以为任意一个需要进行结构动力学模拟过程的复杂结构。为了生成目标结构对应的结构动力学模型，本实施例需要获取目标结构的结构响应数据和拓扑信息，其中，结构响应数据可以反映目标结构各节点在外部激励下的响应，拓扑信息可以反映目标结构的物理特征。

[0063] 在一种实现方式中，所述步骤S100具体包括：

[0064] 步骤S101、根据预设的抽样时间点采集目标结构上若干自由度分别对应的位移响应数据、速度响应数据以及加速度响应数据；

[0065] 步骤S102、将所述位移响应数据、所述速度响应数据以及所述加速度响应数据作为所述结构响应数据。

[0066] 具体地，为了得到目标结构的结构响应数据，本实施例需要在预先设定的抽样时间点采集目标结构在各个自由度上的位移、速度以及加速度响应，得到位移响应数据、速度响应数据以及加速度响应数据。然后将这三种数据作为目标结构的结构响应数据。

[0067] 例如，以图2所示的弹簧‑质量块系统为例，该模型属于一维动力学系统，即每个节点只有一个平动自由度，常被应用于计算考虑层间剪切的建筑结构，是建筑结构抗震设计计算中重要的理论基础。图2所示结构的结构响应数据可通过下述公式(1)计算获得，其中，Y分别为各自由度的加速度响应、速度响应和位移响应；k、c、m、f分别为刚度、阻尼、质量和外部激励；i∈[1,ndof]表示自由度编号。

[0068]

[0069] 其中，

[0070]

[0071]

[0072] 公式(1)还可以写成公式(2)的形式：

[0073]

[0074] 如图1所示，所述方法还包括：

[0075] 步骤S200、根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练。

[0076] 具体地，为了提高人工神经网络的泛化能力，本实施例需要将结构的拓扑信息输入到人工神经网络的框架之中。由于拓扑信息可以反映目标结构的物理特征，因此经过结构响应数据和拓扑信息训练后得到的人工神经网络就可以在不失去深度学习网络的特征提取能力的同时，提高模型的泛化能力，实现人工神经网络模型在不同拓扑结构中的转换。

[0077] 在一种实现方式中，所述步骤S200具体包括：

[0078] 步骤S201、根据所述拓扑信息生成发送矩阵和接收矩阵，其中，所述发送矩阵和所述接收矩阵的组合可以反映所述目标结构的若干自由度之间的相互作用拓扑信息；

[0079] 步骤S202、根据若干所述自由度分别对应的所述位移响应数据生成结构位移向量，根据若干所述自由度分别对应的所述速度响应数据生成结构速度向量，根据若干所述自由度分别对应的所述加速度响应数据生成训练标签数据；

[0080] 步骤S203、根据所述发送矩阵、所述接收矩阵、所述结构位移向量以及所述结构速度向量和所述训练标签数据对所述人工神经网络进行训练。

[0081] 具体地，本实施例中基于结构拓扑信息生成一对关系矩阵，即发送矩阵和接收矩阵，通过修改这一对关系矩阵的内部元素可以用来表示所有复杂结构的相互作用拓扑信息，它们组合在一起表示的物理意义与有限元刚度矩阵中元素位置的物理意义相似。然后根据各自由度的位移响应数据生成结构位移向量、速度响应数据生成结构速度向量、加速度响应数据生成训练标签数据(用于训练和测试使用)。最后根据发送矩阵、接收矩阵、结构位移向量以及结构速度向量生成人工神经网络的训练数据，并采用训练标签数据评估人工神经网络输出的结果与真实结果之间差距，进而以两者的差距为导向对人工神经网络中的参数进行迭代更新，直至人工神经网络输出的结果与真实结果之间差距达到预设的训练目标。

[0082] 举例说明，如图2所示的三自由度系统的动力响应可由下述公式(3)获得，其中的·代表向量按位相乘，若两个向量之间没有符号则表示正常的矩阵相乘。其中，Msr与Mrr组成一对关系矩阵，可以用来表示所有复杂结构的相互作用拓扑信息，Msr称为发送矩阵，Mrr称为接收矩阵，两个矩阵组合在一起表示的物理意义与有限元刚度矩阵中元素位置的物理意义相似。

[0083]

[0084]

[0085] 其中，等号右边由三部分组成，分别表示动力学系统的：恢复力、阻尼力和外部激励。

[0086] 在一种实现方式中，所述人工神经网络包括第一多层感知机、第二多层感知机、第三多层感知机、第四多层感知机，所述步骤S203，具体包括：

[0087] 步骤S2031、根据所述发送矩阵、所述接收矩阵以及所述结构位移向量生成恢复力计算矩阵，将所述恢复力计算矩阵输入所述第一多层感知机，得到恢复力预测矩阵；

[0088] 步骤S2032、根据所述发送矩阵、所述接收矩阵以及所述结构速度向量生成阻尼力计算矩阵，将所述阻尼力计算矩阵输入所述第二多层感知机，得到阻尼力预测矩阵；

[0089] 步骤S2033、根据所述恢复力预测矩阵和所述阻尼力预测矩阵得到合力的计算矩阵，将所述合力的计算矩阵输入所述第三多层感知机，得到合力预测矩阵，其中，所述合力预测矩阵用于反映恢复力与阻尼力相加的矢量和；

[0090] 步骤S2034、获取外部激励荷载数据，根据所述接收矩阵、所述合力预测矩阵以及所述外部激励荷载数据生成加速度响应计算矩阵，将所述加速度响应计算矩阵输入所述第四多层感知机，得到加速度响应预测数据；

[0091] 步骤S2035、根据所述加速度响应预测数据和所述训练标签数据对所述人工神经网络进行训练。

[0092] 需要理解的是，如上述公式(3)所示，即使外部激励fi是已知的，但由于结构的刚度和阻尼是无法测量得到的，因此恢复力和阻尼力未知。除此之外，传统的弹簧‑质量块系统假设每个节点的质量是由结构的总质量按照比例分配到每个节点上的，这种假设缺乏依据。因此本实施例中通过四个多层感知机(MLP)来间接求得以上三个未知参数。其中，第一多层感知机用于预测恢复力，第二多层感知机用于预测阻尼力，第三多层感知机用于预测恢复力和阻尼力的合力，第四多层感知机用于预测加速度响应。具体地，由于发送矩阵和接收矩阵是基于目标结构的拓扑信息生成的，可以反映目标结构的物理特征，因此根据发送矩阵、接收矩阵以及结构位移向量生成第一多层感知机的输入数据，即恢复力计算矩阵，第一多层感知机基于输入的数据会输出一个恢复力预测矩阵。同理，根据发送矩阵、接收矩阵以及结构速度向量生成第二多层感知机的输入数据，即阻尼力计算矩阵，第二多层感知机基于输入的数据会输出一个阻尼力预测矩阵。然后，基于预测出的恢复力预测矩阵和阻尼力预测矩阵生成第三多层感知机的输入数据，即合力的计算矩阵，第三多层感知机基于输入的数据会输出一个合力预测矩阵。之后，基于已知的外部激励荷载数据、接收矩阵以及合力预测矩阵生成第四多层感知机的输入数据，即加速度响应计算矩阵，第四多层感知机基于输入的数据会输出一个加速度响应预测数据，并将该加速度响应预测数据作为人工神经网络最终的输出数据，由于训练标签数据为加速度响应真实数据，因此通过比较加速度响应预测数据和训练标签数据可以计算出人工神经网路的损失值，该损失值可以反映人工神经网络输出的预测数据和真实数据之间的差距，进而以该损失值为导向对人工神经网络的网络参数进行更新，直至该损失值收敛至训练目标。

[0093] 在一种实现方式中，所述步骤S2031，具体包括：

[0094] 步骤S20311、将所述发送矩阵与所述结构位移向量相乘，得到第一矩阵；

[0095] 步骤S20312、将所述接收矩阵与所述结构位移向量相乘，得到第二矩阵；

[0096] 步骤S20313、将所述第一矩阵与所述第二矩阵按列合并，得到所述恢复力计算矩阵。

[0097] 具体地，将发送矩阵和接收矩阵分别乘以结构位移向量，得到第一矩阵和第二矩阵，再将两个矩阵按列合并为一个2列的矩阵，即得到恢复力计算矩阵，之后将其作为第一多层感知机的输入数据(如图3所示)。

[0098] 在一种实现方式中，所述步骤S2032，具体包括：

[0099] 步骤S20321、将所述发送矩阵与所述结构速度向量相乘，得到第三矩阵；

[0100] 步骤S20322、将所述接收矩阵与所述结构速度向量相乘，得到第四矩阵；

[0101] 步骤S20323、将所述第三矩阵与所述第四矩阵按列合并，得到所述阻尼力计算矩阵。

[0102] 具体地，将发送矩阵和接收矩阵分别乘以结构速度向量，得到第三矩阵和第四矩阵，再将两个矩阵按列合并为一个2列的矩阵，即得到阻尼力计算矩阵，之后其作为第二多层感知机的输入数据(如图3所示)。

[0103] 在一种实现方式中，所述步骤S2033，具体包括：

[0104] 步骤S20331、将所述恢复力预测矩阵和所述阻尼力预测矩阵按列合并，得到所述合力的计算矩阵。

[0105] 具体地，将获得的恢复力预测矩阵和阻尼力预测矩阵按列合并为一个2列的矩阵，即得到合力的计算矩阵，之后将其作为第三多层感知机的输入数据(如图3所示)。

[0106] 在一种实现方式中，所述步骤S2034，具体包括：

[0107] 步骤S20341、将所述合力预测矩阵左乘以所述接收矩阵的转置，得到第五矩阵；

[0108] 步骤S20342、将所述第五矩阵与所述外部激励荷载数据按列合并，得到所述加速度响应计算矩阵。

[0109] 具体地，将合力预测矩阵左乘接收矩阵Mrr的转置，得到第五矩阵，再将第五矩阵与外部激励荷载数据按列合并为一个2列的矩阵，即得到加速度响应计算矩阵，之后再将其作为第四多层感知机的输入数据(如图3所示)。

[0110] 为了证明本发明的技术效果，发明人做了以下实验：

[0111] 以图2所示的三自由度系统作为训练模型，根据公式(1)生成数据，并训练神经网络，然后应用训练好的神经网络模型预测四自由度系统的加速度响应(设置系统各自由度2
的初始速度和位移分别为0m/s 和0m，只需通过输入各抽样时间点对应的外部激励数值，就可预测结构的时域响应加速度)。三自由度系统和四自由度系统的参数如表1和表2所示。选择一组地震加速度(BAJA_020787_251)作为外部激励，该地震加速度的波动形式如图4所示。为了计算时间序列，需要对加速度响应进行数值积分来求解节点自由度的速度和位移，数值积分方法如式(4)所示。该算例采用的抽样频率为1000Hz,训练结果和测试结果分别如图5、6、7和图8、9、10、11所示。由结果图可以看出，该方法能够在结构参数未知的情况下，准确的预测结构的加速度响应。且由于拓扑信息的输入，使得神经网络模型的泛化能力得到了大大的提升。

[0112] 表1.三自由度弹簧‑质量块系统参数

[0113]

[0114] 表2.四自由度弹簧‑质量块系统参数

[0115]

[0116]

[0117]

[0118] 基于上述实施例，本发明还提供了一种基于图神经网络的结构动力学模型生成系统，如图12所示，所述系统包括：

[0119] 数据获取模块01，用于确定目标结构，获取所述目标结构的结构响应数据和拓扑信息；

[0120] 网络训练模块02，用于根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练，将训练后的所述人工神经网络作为所述目标结构对应的结构动力学模型。

[0121] 基于上述实施例，本发明还提供了一种终端，其原理框图可以如图13所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于图神经网络的结构动力学模型生成方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。

[0122] 本领域技术人员可以理解，图13中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

[0123] 在一种实现方式中，所述终端的存储器中存储有一个或者一个以上的程序，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行基于图神经网络的结构动力学模型生成方法的指令。

[0124] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

[0125] 综上所述，本发明公开了一种基于图神经网络的结构动力学模型生成方法，所述方法包括：确定目标结构，获取所述目标结构的结构响应数据和拓扑信息；根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练；将训练后的所述人工神经网络作为所述目标结构对应的结构动力学模型。本发明通过将目标结构的拓扑信息引入深度学习网络的框架之中。应用本发明生成的结构动力学模型可以计算(预测)结构的动力学响应。本发明通过将目标结构的拓扑信息引入深度学习网络的框架之中，可以在不失去深度学习网络对于目标结构的物理特征的提取能力的同时，一定程度上提高模型的泛化能力，实现人工神经网络模型在不同拓扑结构中的转换。解决了现有技术中用于模拟结构动力学的深度学习网络泛化能力差的问题。

[0126] 应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。