1.一种基于改进物理信息神经网络的耦合索杆索力预测方法，其特征在于，包括以下步骤：步骤1、推导物理信息，获取训练数据集：基于耦合索杆模型，得到刚性耦合索杆系统的自振频率方程，并通过移动二分法求解其频率方程，得到训练所需的数据集及相应的物理信息；步骤2、将步骤1中推导的物理信息融入损失函数，并通过自适应权重策略构建改进的物理信息神经网络索力预测模型；包括以下内容：（1）、对于刚性耦合索杆系统来说，融入物理信息约束即是融入边界条件、连续性要求或耦合处竖向力要求的信息到神经网络的损失函数中，得到基于物理信息和数据双驱动的损失函数表达式为： ；式中， 为数据损失项权重， 为物理损失项权重；w为神经元间的连接权重；b为偏置值； L data 为数据损失； L phy 为物理损失；（2）、自适应权重策略采用损失方差作为预测不确定性的有效度量，方差大则表示预测不稳定，不确定性高；方差小表示预测稳定，不确定性低；数据损失的不确定性量化如下： ；式中， 表示数据损失方差， E 表示为期望；为提高权重分配的稳定性，将指数加权移动平均方法，引入估计损失方差中，引入时变的衰减因子，损失方差为： ；式中， 为第t轮的衰减因子； E 表示为期望， L data,t 表示为第t轮的数据损失； 为上一时刻的数据损失方差；衰减因子 随训练动态调整如下： ；式中， 为初始衰减因子， 为最终衰减因子，T为最大训练轮次，P为衰减节点参数；在自适应权重优化训练中，权重分配方法如下： ；式中 及 为数据损失及物理损失的标准差， 为数据损失， 为物理损失；步骤3、采用步骤1中的数据集，通过物理信息和数据损失双驱动优化训练神经网络模型，得到完整成熟的物理信息神经网络的索力预测模型并保存；步骤4、在物理信息神经网络的索力预测模型中输入索杆的物理参数，即可得到索力值。
2.根据权利要求1所述的一种基于改进物理信息神经网络的耦合索杆索力预测方法，其特征在于：所述步骤1包括以下内容：步骤11、单刚性耦合双索杆系统的自振频率方程如下： ； 式中，T 1 为第一索杆的索力、T 2 为第二索杆的索力，a 1 、a 2 为求解相关参数， l 11 、 l 12 、 l 21 、 l 22 为各子系统的索杆长度；步骤12、单刚性耦合双索杆系统的自振频率采用移动二分法计算得到；移动二分法的步骤如下：1）、初始化参数，定义目标函数F(x),设置初始区间[a,b]，步长t=0.1；误差精度ε=1×10 -6 ，迭代由左向右进行搜索；2）、判断区间内是否有根，若函数两边异号，则代表该区间存在解；3）、逐步缩小区间，若有根则判断中间值是否接近0；若是，则记录此值；若否，则不断缩小区间直至中间值接近0；4）、算法更新区间；若没有根，则左右区间分别向前进一个步长，循环上述步骤2）、步骤3）至找到所有频率；5）、选取前五阶频率，算法终止；步骤13、数据集获取步骤如下：选取索杆型号，确定索杆的线密度、长度及索杆耦合位置；常规工况下，随机生成索杆索力在800-1400KN之间的300组样本，索力不均匀度设为5%、8%、10%；270组作为用来训练，按照8：2的比例划分为训练集和验证集；剩余的30组作为测试集；边界工况下，额外随机生成15组索力在400-600KN、1600-1800KN之间的样本作为测试集，共计315组索杆样本数据；索杆频率均通过移动二分法进行求解。
3.根据权利要求2所述的一种基于改进物理信息神经网络的耦合索杆索力预测方法，其特征在于：所述步骤2中，基于数据驱动的损失函数的表达式为： ；式中， N 为训练样本的个数， y i 为样本的实际值， 为预测值；采用数值驱动的方法，选用合适的优化策略最小化损失函数，找到最优的加权系数和偏置 ，使得预测值和实际值无限逼近；基于物理信息驱动的损失函数的表达式为： ； ；式中，M为索杆的单位长度质量； l 为索杆的单位长度； f 为频率方程， f 1 、 f 2 为输入频率，T 1 ’为第一索杆的预测索力值、T 2 ’为第二索杆的预测索力值；N为样本个数； a 1 、a 2 为求解相关参数；得到物理信息和数据双驱动的神经网络模型损失函数为： ；式中， 为数据损失权重， 为物理损失权重。
4.根据权利要求3所述的一种基于改进物理信息神经网络的耦合索杆索力预测方法，其特征在于，所述步骤3中，以索杆的索长、线密度，一阶频率、二阶频率为输入，以索力为输出，基于自适应权重的物理信息和数据驱动权重分配方法，构建完整的融合物理信息神经网络的索力预测模型；物理信息神经网络输入和输出之间的关系式如下： ；式中： 为神经网络输出值； 为上一层第i个神经元和该层第j个神经元的连接权重， 为偏置值；f为激活函数。
5.根据权利要求4所述的一种基于改进物理信息神经网络的耦合索杆索力预测方法，其特征在于：所述步骤4中，索杆的物理参数包括线密度、索长、索力、频率和阶次。
6.根据权利要求5所述的一种基于改进物理信息神经网络的耦合索杆索力预测方法，其特征在于：还包括步骤5、评估索力的识别效果。
