1.一种多尺度数据融合的氢渗透‑应力预测方法，其特征在于，包括：获取金属管道材料中氢原子的氢扩散系数、应力场数据分布和实验数据；

对金属管道材料中氢原子的氢扩散系数、应力场数据分布和实验数据进行预处理，将预处理后不同尺度的数据映射到统一的输入空间，构建用于氢渗透‑应力预测的五维张量特征矩阵；

构建用于氢渗透‑应力预测的前向神经网络模型，将五维张量特征矩阵作为输入，在损失函数中嵌入氢扩散方程和应力平衡方程，对前向神经网络模型进行训练，以学习五维张量特征矩阵中各特征元素与关键指标之间的映射关系，并输出预测的关键指标；

构建以目标性能参数为输入的反向神经网络模型，在训练反向神经网络模型时，加入氢扩散方程和应力平衡方程的物理约束，基于前向神经网络模型输出的预测的关键指标，搜索五维张量特征矩阵中可调节的特征参数所构成的变量空间，获取满足物理约束且使目标性能参数达到最优的金属管道材料参数组合；

前向神经网络根据五维张量特征矩阵中的特征元素获取材料的氢渗透和应力场分布情况，通过反向神经网络模型获取满足物理约束且使目标性能参数达到最优的金属管道材料参数组合。

2.根据权利要求1所述的多尺度数据融合的氢渗透‑应力预测方法，其特征在于，还包括：将前向神经网络模型输出的预测的关键指标与实验数据进行对比并进行误差评估，若误差超出预设范围，则对前向神经网络模型和反向神经网络模型进行反馈调整。

3.根据权利要求1所述的多尺度数据融合的氢渗透‑应力预测方法，其特征在于，所述获取金属管道材料中氢原子的氢扩散系数、应力场数据分布和实验数据，包括：通过分子动力学仿真在不同温度条件下对金属材料进行氢扩散模拟，获取氢原子在不同温度下的扩散行为，以获得氢扩散系数；

通过有限元仿真进行宏观尺度的氢渗透‑应力耦合仿真，模拟在不同温度、应力状态及边界条件下的氢浓度随时间与空间的演化过程，以获得应力场数据分布；

通过实验获取金属管道材料在不同腐蚀等级、温度、应力条件下的力学性能退化指标和氢渗透测试数据，以获得实验数据。

4.根据权利要求1所述的多尺度数据融合的氢渗透‑应力预测方法，其特征在于，所述对金属管道材料中氢原子的氢扩散系数、应力场数据分布和实验数据进行预处理，将预处理后不同尺度的数据映射到统一的输入空间，构建用于氢渗透‑应力预测的五维张量特征矩阵，包括：将应力场数据分布中的VonMises等效应力场、静水应力场和当前的氢浓度场分别填充入五维张量特征矩阵的前三个通道；

将氢扩散系数扩展为与五维张量特征矩阵中的空间分辨率相同的全图特征图，填充入五维张量特征矩阵的第四个通道；

将实验数据填充入五维张量特征矩阵的第五个通道，以构建用于氢渗透‑应力预测的五维张量特征矩阵；

五维张量特征矩阵的表达式为： ；其中，为五维数组，为实数集，

为批量大小，为时间序列长度，为金属管道材料在垂直方向的空间分辨率， 为金属管道材料在水平方向的空间分辨率，为通道数。

5.根据权利要求1所述的多尺度数据融合的氢渗透‑应力预测方法，其特征在于，所述构建用于氢渗透‑应力预测的前向神经网络模型，将五维张量特征矩阵作为输入，在损失函数中嵌入氢扩散方程和应力平衡方程，对前向神经网络模型进行训练，以学习五维张量特征矩阵中各特征元素与关键指标之间的映射关系，并输出预测的关键指标，包括：关键指标包括氢渗透通量、滞后时间、氢浓度分布及应力场分布情况；

前向神经网络模型包括卷积层、循环层及全连接层；

在卷积层中采用二维卷积核提取氢浓度场和应力场的空间特征，通过多通道卷积操作捕捉裂纹尖端或蚀坑处的应力集中现象；

在循环层中对卷积层输出的特征序列按时间步展开，提取有限元仿真氢浓度场和应力场的空间特征；

在全连接层中将循环层提取的空间特征映射至输出空间，生成预测的关键指标；

损失函数的表达式为： ；其中，为损失函数值，

为氢扩散方程残差项， 为氢扩散方程残差项的权重系数， 为应力平衡方程残差项， 为应力平衡方程残差项的权重系数， 为数据拟合项， 为数据拟合项的权重系数；

；其中，为前向神经网络模型输出的氢浓

度，为时间， 为氢浓度的时间变化率，为氢扩散系数， 为氢的偏摩尔体积， 为氢致应力的梯度，为气体常数，为绝对温度，为梯度；

；其中，为应力张量， 为外部体力矢量；

；其中， 为前向神经网络模型输出的预测的关键指标值， 为关键指

标的真实值。

6.根据权利要求5所述的多尺度数据融合的氢渗透‑应力预测方法，其特征在于，所述构建以目标性能参数为输入的反向神经网络模型，在训练反向神经网络模型时，加入氢扩散方程和应力平衡方程的物理约束，基于前向神经网络模型输出的预测的关键指标，搜索五维张量特征矩阵中可调节的特征参数所构成的变量空间，获取满足物理约束且使目标性能参数达到最优的金属管道材料参数组合，包括：目标性能参数包括材料允许的最大氢浓度和应力限值；

氢扩散方程的物理约束满足： ；

应力平衡方程的物理约束满足： 。

7.根据权利要求5所述的多尺度数据融合的氢渗透‑应力预测方法，其特征在于，损失函数中的各项损失的权重系数基于预设规则确定；其中，损失函数中的各项损失的权重系数包括氢扩散方程残差项的权重系数、应力平衡方程残差项的权重系数和数据拟合项的权重系数；

预设规则包括：

获取损失函数中的各项损失相对于前向神经网络模型的全连接层的共享权重的梯度范数；其中，损失函数中的各项损失包括氢扩散方程残差项、应力平衡方程残差项和数据拟合项；

通过分析各项损失在训练过程中的下降情况，获取损失函数中的各项损失的相对训练速率，基于各项损失的相对训练速率获取各项损失的目标梯度范数；

基于各项损失的梯度范数和目标梯度范数之间的差异，更新损失函数中的各项损失的权重系数。

8.一种多尺度数据融合的氢渗透‑应力预测装置，其特征在于，该装置执行如权利要求

1至7任一项所述的方法，包括：

获取数据模块，用于获取金属管道材料中氢原子的氢扩散系数、应力场数据分布和实验数据；

构建矩阵模块，用于对金属管道材料中氢原子的氢扩散系数、应力场数据分布和实验数据进行预处理，将预处理后不同尺度的数据映射到统一的输入空间，构建用于氢渗透‑应力预测的五维张量特征矩阵；

构建前向神经网络模型模块，用于构建用于氢渗透‑应力预测的前向神经网络模型，将五维张量特征矩阵作为输入，在损失函数中嵌入氢扩散方程和应力平衡方程，对前向神经网络模型进行训练，以学习五维张量特征矩阵中各特征元素与关键指标之间的映射关系，并输出预测的关键指标；

构建反向神经网络模型模块，用于构建以目标性能参数为输入的反向神经网络模型，在训练反向神经网络模型时，加入氢扩散方程和应力平衡方程的物理约束，基于前向神经网络模型输出的预测的关键指标，搜索五维张量特征矩阵中可调节的特征参数所构成的变量空间，获取满足物理约束且使目标性能参数达到最优的金属管道材料参数组合；

获取参数组合模块，用于前向神经网络根据五维张量特征矩阵中的特征元素获取材料的氢渗透和应力场分布情况，通过反向神经网络模型获取满足物理约束且使目标性能参数达到最优的金属管道材料参数组合。