1.一种基于神经网络的装配式桥涵节点力学性能分析方法，其特征在于，包括：获取装配式桥涵节点的实时监测数据，所述实时监测数据包括应变数据、振动数据和载荷数据；对所述装配式桥涵节点的实时监测数据进行特征提取和优化，得到非线性特征集；将所述非线性特征集进行力学性能评估，得到实时力学性能评估结果；基于所述实时力学性能评估结果和预设的历史监测数据进行模型构建和优化，得到优化后的力学性能变化趋势预测模型；将所述实时监测数据发送至优化后的力学性能变化趋势预测模型进行预测，得到预设时间段的装配式桥涵节点力学性能。
2.根据权利要求1所述的基于神经网络的装配式桥涵节点力学性能分析方法，其特征在于,对所述装配式桥涵节点的实时监测数据进行特征提取和优化，得到非线性特征集，包括：根据装配式桥涵节点的实时监测数据进行因子分析处理，得到提取装配式桥涵节点的力学特征因子集合；通过深度信念网络的自编码器对力学特征因子集合进行无监督学习，得到力学特征因子集合的非线性特征；根据梯度提升机对力学特征因子集合的非线性特征处理，得到优化后的力学特征集合；基于集成学习法聚合梯度提升机内所有的决策树，得到多个决策树的加权平均值，得到优化后的非线性特征集。
3.根据权利要求1所述的基于神经网络的装配式桥涵节点力学性能分析方法，其特征在于,将所述非线性特征集进行力学性能评估，包括：基于核主成分分析法将非线性特征集映射到预设的高维空间，得到高维空间内的非线性特征集；基于支持向量机回归算法和高维空间内的非线性特征集建立回归模型，并计算支持向量回归模型的预测值和实际观测值之间的误差，得到误差最小化后的特征预测值；将所述误差最小化后的特征预测值生成知识图谱，并基于所述知识图谱与预设的特征评估阈值进行评估，得到实时的力学性能评估结果。
4.根据权利要求1所述的基于神经网络的装配式桥涵节点力学性能分析方法，其特征在于,基于所述实时力学性能评估结果和预设的历史监测数据进行模型构建和优化，包括：将所述实时的力学性能评估结果和预设的历史监测数据进行标准化处理，得到量纲一致的融合数据；将量纲一致的融合数据按照预设时间序列的窗口进行划分，并将划分得到的多个预设时间段的融合数据输入至预设的长短期记忆网络内进行学习，得到训练后的长短期记忆网络模型；基于模拟退火算法对所述超参数进行优化，将优化得到的超参数代入至训练后的长短期记忆网络模型，得到优化后的长短期记忆网络模型。
5.根据权利要求1所述的基于神经网络的装配式桥涵节点力学性能分析方法，其特征在于,得到预设时间段的装配式桥涵节点力学性能之后，还包括:基于优化后的力学性能变化趋势预测模型与实时监测数据构建对抗网络，并基于对抗网络生成与实时监测数据误差小于阈值的最终模拟数据，并基于孤立森林算法对最终模拟数据进行异常识别，得到异常节点对应的实时监测数据；基于变分自编码器对异常节点对应的实时监测数据损伤分析，得到异常节点对应的实时监测数据中的损伤数据。
6.一种基于神经网络的装配式桥涵节点力学性能分析系统，其特征在于，包括：获取单元，用于获取装配式桥涵节点的实时监测数据，所述实时监测数据包括应变数据、振动数据和载荷数据；处理单元，用于对所述装配式桥涵节点的实时监测数据进行特征提取和优化，得到非线性特征集；评估单元，用于将所述非线性特征集进行力学性能评估，得到实时力学性能评估结果；构建单元，用于基于所述实时力学性能评估结果和预设的历史监测数据进行模型构建和优化，得到优化后的力学性能变化趋势预测模型；预测单元，用于将所述实时监测数据发送至优化后的力学性能变化趋势预测模型进行预测，得到预设时间段的装配式桥涵节点力学性能。
7.根据权利要求6所述的基于神经网络的装配式桥涵节点力学性能分析系统，其特征在于，所述处理单元，包括：第一处理子单元，用于根据装配式桥涵节点的实时监测数据进行因子分析处理，得到提取装配式桥涵节点的力学特征因子集合；第二处理子单元，用于通过深度信念网络的自编码器对力学特征因子集合进行无监督学习，得到力学特征因子集合的非线性特征；第三处理子单元，用于根据梯度提升机对力学特征因子集合的非线性特征处理，得到优化后的力学特征集合；第四处理子单元，用于基于集成学习法聚合梯度提升机内所有的决策树，得到多个决策树的加权平均值，得到优化后的非线性特征集。
8.根据权利要求6所述的基于神经网络的装配式桥涵节点力学性能分析系统，其特征在于，所述评估单元，包括：第一评估子单元，用于基于核主成分分析法将非线性特征集映射到预设的高维空间，得到高维空间内的非线性特征集；第二评估子单元，用于基于支持向量机回归算法和高维空间内的非线性特征集建立回归模型，并计算支持向量回归模型的预测值和实际观测值之间的误差，得到误差最小化后的特征预测值；第三评估子单元，用于将所述误差最小化后的特征预测值生成知识图谱，并基于所述知识图谱与预设的特征评估阈值进行评估，得到实时的力学性能评估结果。
9.根据权利要求6所述的基于神经网络的装配式桥涵节点力学性能分析系统，其特征在于，所述构建单元，包括：第一构建子单元，用于将所述实时的力学性能评估结果和预设的历史监测数据进行标准化处理，得到量纲一致的融合数据；第二构建子单元，用于将量纲一致的融合数据按照预设时间序列的窗口进行划分，并将划分得到的多个预设时间段的融合数据输入至预设的长短期记忆网络内进行学习，得到训练后的长短期记忆网络模型；第三构建子单元，用于基于模拟退火算法对所述超参数进行优化，将优化得到的超参数代入至训练后的长短期记忆网络模型，得到优化后的长短期记忆网络模型。
10.根据权利要求6所述的基于神经网络的装配式桥涵节点力学性能分析系统，其特征在于，所述预测单元之后，还包括：第一判断子单元，用于基于优化后的力学性能变化趋势预测模型与实时监测数据构建对抗网络，并基于对抗网络生成与实时监测数据误差小于阈值的最终模拟数据，并基于孤立森林算法对最终模拟数据进行异常识别，得到异常节点对应的实时监测数据；第二判断子单元，用于基于变分自编码器对异常节点对应的实时监测数据损伤分析，得到异常节点对应的实时监测数据中的损伤数据。
