本发明涉及建筑工程设计，尤其是涉及一种基于图神经网络的含初始缺陷单层网壳结构非线性稳定承载力的预测方法。
背景技术：
1、单层网壳结构的承载力和安全性一般由其稳定性控制。进行单层网壳稳定分析时需考虑结构复杂的几何及材料非线性，使得整个分析过程无法用解析方法精确求解非线性稳定承载力。现有的结构非线性稳定承载力分析主要是基于弧长法和牛顿-拉普森方法在有限元软件中进行迭代求解，但是该求解过程随着结构的复杂程度增加，需要更长的计算时间以及更昂贵的计算代价，而且有时无法追踪到平衡路径下降段，导致屈曲临界点不明确。
2、针对上述问题，有学者提出采用机器学习的方法替代复杂的非线性分析迭代过程，更高效地得到网壳结构非线性稳定承载力。尽管如此，现有机器学习算法由于其网络结构的局限性，未能实现对不同拓扑形式单层网壳的承载力预测，同时，单层网壳在施工过程中不可避免将导致有限的安装误差，使其存在初始缺陷，现有机器学习算法亦由于缺乏高效的特征提取方法，无法准确预测在不同初始缺陷场下网壳的非线性稳定承载力。因此，发展一种既具有高计算效率和精度，又能适应不同结构形式的非线性稳定承载力预测方法，是单层网壳设计领域中亟待解决的技术挑战。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于图神经网络的含初始缺陷单层网壳结构非线性稳定承载力的预测方法。
2、本发明的目的可以通过以下技术方案来实现：
3、本发明提供一种基于图神经网络的含初始缺陷单层网壳结构非线性稳定承载力的预测方法，其特征在于，包括以下步骤：
4、步骤s1、根据设计文件，确定初始全局特征数据，建立含初始缺陷单层网壳结构的数值模型；
5、步骤s2、通过使用有限元分析软件对含初始缺陷单层网壳结构的数值模型进行数值模拟，获得单层网壳的非线性稳定承载力数据；
6、步骤s3、结合所述初始全局特征数据与非线性稳定承载力数据，构建数据集；
7、步骤s4、构建基于图神经网络的深度学习代理模型，将所述数据集用于训练所述图神经网络的深度学习代理模型；
8、步骤s5、将训练得到的图神经网络的深度学习代理模型作为最终代理模型，用于含初始缺陷单层网壳建筑非线性稳定承载力的预测。
9、所述步骤s1中的单层网壳结构数值模型的初始全局特征数据包括跨度、矢高、节点坐标、杆件截面参数、材料力学参数、荷载及约束条件。
10、所述节点坐标由设计文件中结构原始节点坐标按照约束随机缺陷法规定的概率分布采样获得。
11、所述步骤s2中的非线性稳定承载力数据具体包括将结构平衡路径第一个临界点荷载作为非线性稳定承载力数据。
12、将所述步骤s3中的数据集划分为训练集、验证集和测试集，所述训练集和验证集用于对图神经网络的深度学习代理模型进行训练；所述测试集用于对训练得到的图神经网络的深度学习代理模型进行测试。
13、所述步骤s4中的图神经网络的深度学习代理模型包括：局部信息整合模块和全局信息整合模块。
14、所述局部信息整合模块采用图嵌入技术将局部节点、杆件信息进行整合，输入量为初始全局特征数据，输出量为各节点综合信息。
15、所述全局信息整合模块设置虚拟主节点，输入量为所述各节点综合信息，所述各节点综合信息嵌入虚拟主节点，输出量为缺陷结构非线性稳定承载力相对于完善结构非线性稳定承载力的折减系数。
16、在训练过程中，采用均方根误差作为损失函数，并采用误差反向传播算法更新图神经网络的深度学习代理模型中的待学习参数。
17、将相关系数r、均方根误差rmse和拟合优度r2用于评估训练得到的图神经网络的深度学习代理模型在测试集上的表现。
18、与现有技术相比，本发明具有以下有益效果：
19、1)本发明采用了图神经网络的深度学习代理模型，该图神经网络的深度学习代理模型逻辑与概念清晰，且采用了最高效的网络结构。具体采用图嵌入技术将单层网壳结构中各节点、各杆件信息进行卷积操作从而整合全局特征。该方法可以针对不同拓扑形式的单层网壳结构，快速并且精准预测其非线性稳定承载力。
20、2)本发明以约束随机缺陷法作为单层网壳结构初始缺陷场建模理论，充分考虑了杆件的制造误差以及各节点偏差的耦联性，从而模拟了更符合工程实际的随机初始缺陷场。
21、3)本发明以monte carlo采样方法考虑单层网壳结构实际施工中难以确定的节点偏差，使图神经网络模型具备识别随机初始缺陷下单层网壳结构真实物理模型的能力，提升其对于结构非线性稳定承载力预测结果的鲁棒性与准确性。
1.一种基于图神经网络的含初始缺陷单层网壳结构非线性稳定承载力的预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图神经网络的含初始缺陷单层网壳结构非线性稳定承载力的预测方法，其特征在于，所述步骤s1中的含初始缺陷单层网壳结构数值模型的初始全局特征数据包括跨度、矢高、节点坐标、杆件截面参数、材料力学参数、荷载及约束条件。
3.根据权利要求2所述的一种基于图神经网络的含初始缺陷单层网壳结构非线性稳定承载力的预测方法，其特征在于，所述节点坐标由设计文件中结构原始节点坐标按照约束随机缺陷法规定的概率分布采样获得。
4.根据权利要求1所述的一种基于图神经网络的含初始缺陷单层网壳结构非线性稳定承载力的预测方法，其特征在于，所述步骤s2中的非线性稳定承载力数据具体包括将结构平衡路径第一个临界点荷载作为非线性稳定承载力数据。
5.根据权利要求1所述的一种基于图神经网络的含初始缺陷单层网壳结构非线性稳定承载力的预测方法，其特征在于，将所述步骤s3中的数据集划分为训练集、验证集和测试集，所述训练集和验证集用于对图神经网络的深度学习代理模型进行训练；所述测试集用于对训练得到的图神经网络的深度学习代理模型进行测试。
6.根据权利要求1所述的一种基于图神经网络的含初始缺陷单层网壳结构非线性稳定承载力的预测方法，其特征在于，所述步骤s4中的图神经网络的深度学习代理模型包括：局部信息整合模块和全局信息整合模块。
7.根据权利要求6所述的一种基于图神经网络的含初始缺陷单层网壳结构非线性稳定承载力的预测方法，其特征在于，所述局部信息整合模块采用图嵌入技术将局部节点、杆件信息进行整合，输入量为初始全局特征数据，输出量为各节点综合信息。
8.根据权利要求7所述的一种基于图神经网络的含初始缺陷单层网壳结构非线性稳定承载力的预测方法，其特征在于，所述全局信息整合模块设置虚拟主节点，输入量为所述各节点综合信息，所述各节点综合信息嵌入虚拟主节点，输出量为含初始缺陷结构非线性稳定承载力相对于完善结构稳定承载力的折减系数。
9.根据权利要求1所述的一种基于图神经网络的含初始缺陷单层网壳结构非线性稳定承载力的预测方法，其特征在于，在训练过程中，采用均方根误差作为损失函数，并采用误差反向传播算法更新图神经网络的深度学习代理模型中的待学习参数。
10.根据权利要求9所述的一种基于图神经网络的含初始缺陷单层网壳结构非线性稳定承载力的预测方法，其特征在于，将相关系数r、均方根误差rmse和拟合优度r2用于评估训练得到的图神经网络的深度学习代理模型在测试集上的表现。
