1.一种基于物理信息神经网络的水流方向判定方法，其特征在于，包括：通过隧道掌子面及周边区域布局的高精度磁性传感器阵列采集多个磁性粒子的运动轨迹数据；其中，所述磁性粒子设置于隧道施工水流中；以所述磁性粒子的运动轨迹数据为基础，构建隧道内水流场动态分布模型；根据所述运动轨迹数据以及所述隧道内水流场动态分布模型的隧道内流体力学参数，构建多维数据集；其中，所述多维数据集包括多维样本以及水流方向标签；以所述多维数据集中的多维样本以及水流方向标签为基础，采用改进参数优化算法对物理信息神经网络进行训练，获取水流方向判定模型；采集实时多维数据，并采用所述水流方向判定模型对所述实时多维数据进行识别，获取水流方向判定结果；以所述多维数据集中的多维样本以及水流方向标签为基础，采用改进参数优化算法对物理信息神经网络进行训练，获取水流方向判定模型，包括：对物理信息神经网络的超参数进行初始化，获取用于训练的种群；针对种群中任意一个个体，以所述多维数据集中的多维样本以及水流方向标签为基础，获取每个个体对应的损失函数值；根据所有个体对应的损失函数值，确定最优个体以及最劣个体；针对种群中任意一个个体，采用种群信息交互策略对个体进行邻域搜索，得到邻域搜索之后的个体；针对任意一个邻域搜索之后的个体，根据所述最优个体以及最劣个体，并采用整体位置协同搜索策略对个体进行扩展搜索，得到扩展搜索之后的个体；针对任意一个扩展搜索之后的个体，根据所述最优个体，并采用自适应变速搜索策略对个体进行自适应精细搜索，得到精细搜索之后的个体；针对任意一个精细搜索之后的个体，采用围绕变异策略对个体进行全局变异搜索，得到全局变异搜索之后的个体；重复执行种群信息交互策略、整体位置协同搜索策略、自适应变速搜索策略以及围绕变异策略，直至总训练次数到达预设最大训练次数，重新获取最优个体，得到目标个体；将所述目标个体中的超参数作为物理信息神经网络的最终超参数，得到水流方向判定模型。
2.根据权利要求1所述的基于物理信息神经网络的水流方向判定方法，其特征在于，还包括：将所述水流方向判定结果传输至工作人员指定的设备中以及传输至云计算中心进行存储。
3.根据权利要求1所述的基于物理信息神经网络的水流方向判定方法，其特征在于，还包括：当所述水流方向判定结果满足预设预警条件时，生成预警信息，并将所述预警信息传输至现场预警设备以及工作人员指定的设备中。
4.根据权利要求1所述的基于物理信息神经网络的水流方向判定方法，其特征在于，根据所述运动轨迹数据以及所述隧道内水流场动态分布模型的隧道内流体力学参数，构建多维数据集，包括：以预设的数据采样频率为基础，按照一定固定长度采集所述运动轨迹数据以及所述隧道内水流场动态分布模型的隧道内流体力学参数，得到多维样本；采集目标时间点之后的未来时间点上的水流方向，确定多维样本对应的水流方向标签；其中，所述目标时间点为多维样本对应的最后一个数据采集时间点。
5.根据权利要求1所述的基于物理信息神经网络的水流方向判定方法，其特征在于，针对种群中任意一个个体，采用种群信息交互策略对个体进行邻域搜索，得到邻域搜索之后的个体为：其中， 表示第 t 次训练过程中第 m 个个体， 表示第 m 个邻域搜索之后的个体， m =1,2,…,M，M表示种群中个体总数， 表示中心个体，其每一维超参数都为同维度所有超参数的均值； 表示种群信息交互参数， 表示第 t 次训练过程中的交互控制因子， 表示（0,1）之间的第一随机数， 表示交互控制因子的预设最大值， 表示交互控制因子的预设最小值，T表示预设最大训练次数。
6.根据权利要求5所述的基于物理信息神经网络的水流方向判定方法，其特征在于，针对任意一个邻域搜索之后的个体，根据所述最优个体以及最劣个体，并采用整体位置协同搜索策略对个体进行扩展搜索，得到扩展搜索之后的个体为：其中， 表示第 t 次训练过程中第 n 个邻域搜索之后的个体， 表示第 n 个扩展搜索之后的个体， n =1,2,…,M， 表示第一扩展搜索控制因子，且其为[0,1]之间均匀分布的随机数； 表示第二扩展搜索控制因子，且其为[0,1]之间均匀分布的随机数； 表示最劣个体， 表示最优个体， 表示（0,1）之间的第二随机数。
7.根据权利要求6所述的基于物理信息神经网络的水流方向判定方法，其特征在于，针对任意一个扩展搜索之后的个体，根据所述最优个体，并采用自适应变速搜索策略对个体进行自适应精细搜索，得到精细搜索之后的个体为：其中， 表示第 t 次训练过程中第 i 个扩展搜索之后的个体， 表示第 i 个精细搜索之后的个体， i =1,2,…,M， 表示精细搜索步长控制因子， 表示第 t +1次训练过程中的混沌因子， 表示为个体 随机匹配的其他个体， 表示第 t 次训练过程中的混沌因子， 表示（0,1）之间的第三随机数， 表示（0,1）之间的第四随机数， 表示圆周率，e表示自然常数，sin表示正弦函数。
8.根据权利要求7所述的基于物理信息神经网络的水流方向判定方法，其特征在于，针对任意一个精细搜索之后的个体，采用围绕变异策略对个体进行全局变异搜索，得到全局变异搜索之后的个体，包括：针对任意一个精细搜索之后的个体，生成围绕变异数量参数为：其中， 表示第 t 次训练过程中第 i 个精细搜索之后的个体 对应的围绕变异数量参数， 表示取整函数， 表示个体 对应的损失函数值， 表示最优个体对应的损失函数值， 表示最劣个体对应的损失函数值， 表示围绕变异数量参数的最大值， 表示围绕变异数量参数的最小值；以当前训练次数为基础，生成变异范围控制参数为：其中， 表示变异范围控制参数， 表示（0,1）之间的第四随机数；根据所述变异范围控制参数，为个体 生成对应的全局变异搜索个体为：其中， 表示个体 生成对应的全局变异搜索个体， 表示第一变异控制参数， 表示第二变异控制参数， 表示柯西变异， 表示高斯变异；以围绕变异数量参数为基础，为个体 生成多个全局变异搜索个体；以精细搜索之后的个体及其对应的多个全局变异搜索个体为基础，选取损失函数值最小的个体作为全局变异搜索之后的个体。
9.一种基于物理信息神经网络的水流方向判定系统，该基于物理信息神经网络的水流方向判定系统能够执行上述权利要求1至8任一所述的基于物理信息神经网络的水流方向判定方法，其特征在于，包括：数据采集模块、模型构建模块、多维数据集构建模块、数据训练模块以及实时数据识别模块；所述数据采集模块，用于通过隧道掌子面及周边区域布局的高精度磁性传感器阵列采集多个磁性粒子的运动轨迹数据；其中，所述磁性粒子设置于隧道施工水流中；所述模型构建模块，用于以所述磁性粒子的运动轨迹数据为基础，构建隧道内水流场动态分布模型；所述多维数据集构建模块，用于根据所述运动轨迹数据以及所述隧道内水流场动态分布模型的隧道内流体力学参数，构建多维数据集；其中，所述多维数据集包括多维样本以及水流方向标签；所述数据训练模块，用于以所述多维数据集中的多维样本以及水流方向标签为基础，采用改进参数优化算法对物理信息神经网络进行训练，获取水流方向判定模型；所述实时数据识别模块，用于采集实时多维数据，并采用所述水流方向判定模型对所述实时多维数据进行识别，获取水流方向判定结果。
