1.一种基于物理信息网络的材料参数未知薄板挠度估计方法，其特征在于，包括以下步骤：步骤1，随机测量薄板范围域内点的横向变形数据组成测量点集；

步骤2，将步骤1中获取的测量点信息当作双物理信息网络的训练参考项之一，提取范围域内一定数量的随机点坐标作为前向传播网络的输入数据；所述双物理信息网络包含前向传播网络模块、微分系统模块、积分系统模块和反馈模块；

步骤3，选择前向传播网络作为薄板变形的替代，将随机点坐标数据输入前向传播网络后，前向传播网络对输入进行线性及非线性递归变换，把前向传播网络的初步训练结果传入微分系统；

步骤4，通过材料参数变量初始值和前向传播网络的初步输出计算微分系统误差，使预测结果满足薄板平衡方程和边界条件所施加的物理条件；

步骤5，反馈模块根据步骤4中的系统误差逆向传递，完成前向传播网络各层权重偏差反向更新过程；反馈过程为：反向传播利用链式求导法则进行反向计算，若当前输出的误差较大则对损失函数梯度反方向的各个神经元处的权重和偏置值进行调整使新的输出更接近预期值；

步骤6，重复训练反馈的过程，不断进行数据计算和信息交换，最终得到满足误差原则的材料参数最佳匹配值；

步骤7，引入步骤6得到的材料变量值演算积分系统罚函数，使挠度估计过程在满足最小势能原理的状态下进行；

步骤8，将积分系统罚函数传入反馈模块和前向传播网络模块中不断传递迭代，使薄板系统总势能满足边界约束时的最小化，得到薄板挠度估计值。

2.根据权利要求1所述的一种基于物理信息网络的材料参数未知薄板挠度估计方法，其特征在于，步骤3中，前向传播网络模块为：定义L层神经网络，第N层有N个神经元定义权重矩阵W和偏差向量b，给定一个非线性激活函数σ，将非线性激活函数σ以元素方式应用，最终实现FNN递归运算，得出神经网络输出结果：0

输入层：N(x)＝x

l l l‑1 l

隐藏层：N(x)＝σ(WN (x)+b)1≤l≤L‑1L L L‑1 L

输出层：N(x)＝WN (x)+b。

3.根据权利要求1所述的一种基于物理信息网络的材料参数未知薄板挠度估计方法，其特征在于，步骤4中，所述微分系统误差包含薄板平衡方程误差fp、边界误差fbc和测量点误差fic三部分：f＝fp+fbc+fic

薄板小挠度弯曲理论中，薄板弯曲的挠度预测需要满足挠曲面微分方程：由此得到：

其中， 是弯曲刚度，P为载荷函数，ω为基础场变量，E和v分别表示杨氏模量和泊松比，h是实验弹性薄板的厚度；

根据前向传播网络训练得出挠度观测值 由此得到薄板平衡方程误差fp和测量点误差fic：′

其中，D0是由训练中得出的弹性模量参数值λ计算出的对应弯曲刚度值，wic是随机测量点变形测量值， 是对应点网络训练结果；

薄板弯曲问题有三种典型边界条件：

′

(1)几何边界条件Γ1：又称固定边界，在边界上给定边界挠度ω 和边界法向斜率′ ′(2)混合边界条件Γ2：又称简支边界，在边界处给出挠度ω 和法向弯矩Mn；

(3)面力边界条件Γ3：又称自由边界，在边界处给定横向剪力 和法向′

弯矩Mn；

其中，n和s分别对应于沿边界的法线方向和切线方向，边界误差定义为：′

fbc为初始边界设定参数值， 为网络计算得到的对应边界参数值；

通过自动差分方法实现微分系统误差函数计算，自动差分能够通过一次向前传递和一次向后传递计算所有的偏导数，应用自动差分重复使用链式规则得到前向传播网络中输出相对于输入的导数，进行偏微分误差函数拟合。

4.根据权利要求1所述的一种基于物理信息网络的材料参数未知薄板挠度估计方法，其特征在于，步骤7中，所述积分系统罚函数分为薄板系统总势能和边界约束罚函数；所述薄板系统总势能Π包括薄板应变能U和外力做功Wext，表达式如下：Π＝U+Wext

得到薄板系统总势能的积分式后，蒙卡洛特积分通过积分点处的函数密度加权和来实现罚函数计算，通过均方误差法学习边界条件使边界约束下薄板系统总势能最小化：薄板应变能转化为：

外力做功转化为：

其中，A是薄板范围域的面积，NΩ是薄板范围域内随机采样点的个数，(xi，yi)是采样点的坐标，U(x，y)是薄板应变能密度函数，f(x，y)是薄板外力做功的密度函数；

边界约束罚函数为：

Γω＝Γ1∪Γ2， 分别为两组边界上随机采样点的个数。