(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111674213.9 (22)申请日 2021.12.31 (65)同一申请的已公布的文献号 申请公布号 CN 114564878 A (43)申请公布日 2022.05.31 (73)专利权人 哈尔滨工业大 学 （深圳） 地址 518055 广东省深圳市南 山区桃源街 道深圳大 学城哈尔滨工业大 学校区 (72)发明人 王迎　张俊　 (74)专利代理 机构 深圳市君胜知识产权代理事 务所(普通 合伙) 44268 专利代理师 李可 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 119/14(2020.01) (56)对比文件 CN 113177626 A,2021.07.27 审查员 刘洛 (54)发明名称 一种基于图神经网络的结构动力学模型生 成方法 (57)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。 权利要求书2页 说明书10页 附图7页 CN 114564878 B 2022.10.28 CN 114564878 B 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：权　利　要　求　书 1/2 页 2 CN 114564878 B 2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。权　利　要　求　书 2/2 页 3 CN 114564878 B 3