1.一种水工弧形钢闸门参数荷载识别方法，其特征在于，具体按照以下步骤实施：步骤1、根据弧形钢闸门的结构特点，建立反映原型弧形钢闸门动力特性的空间框架简化模型；

步骤2、根据空间框架简化模型构建弧形钢闸门参数振动有限元动力微分方程；

步骤3、根据给定的荷载对参数振动有限元方程进行动力时程分析；

步骤4、构建参数荷载识别的BP神经网络模型；

步骤5、将动力时程分析的数据作为学习样本训练参数荷载识别的BP神经网络模型；

步骤6、检验参数荷载识别的BP神经网络模型的有效性。

2.根据权利要求1所述的一种水工弧形钢闸门参数荷载识别方法，其特征在于，所述步骤1具体按照以下步骤实施：

步骤1.1、应用有限元软件分析弧形钢闸门的动力特性，根据闸门的结构特点，对不同的构件选用合适的单元进行模拟，获得闸门的自振频率及振型；

步骤1.2、考虑面板的影响，将面板质量分配在主横梁上，忽略曲梁曲率的影响，以直梁代替曲梁，经过结构简化建立弧形钢闸门的空间框架简化模型，采用动力刚度法分析该简化模型的动力特性，获得其自振频率及振型；

步骤1.3、比较弧形钢闸门及其空间框架简化模型的动力特性，以二者相近为原则调整空间框架简化模型，确定面板的质量分配比例及各构件的尺寸，确定参数荷载在各支臂上的分配，最终建立能反映原型闸门动力特性的简化模型。

3.根据权利要求1所述的一种水工弧形钢闸门参数荷载识别方法，其特征在于，所述步骤2具体为，建立的弧形钢闸门参数振动有限元动力微分方程为：式中，M、C、K、S分别为空间框架的质量矩阵、阻尼矩阵、弹性刚度矩阵和几何刚度矩阵，在形成有限元特征矩阵M、C、K、S时，采用的形函数为满足杆件自由振动微分方程的精确形函数； x(t)分别为加速度、速度和位移向量，t表示时间；P0+Ptcosθt＝P(t)为参数荷载，P0为静力荷载，Ptcosθt为动力荷载，Pt为幅值，θ为频率。

4.根据权利要求1所述的一种水工弧形钢闸门参数荷载识别方法，其特征在于，所述步骤3具体按照以下步骤实施：

步骤3.1、设置相关参数并计算积分常数：选择时间步长Δt＝ti+1‑ti(i＝0,1,2,3……)，ti+1和ti分别表示相邻的两时刻；设置参数β和γ的值，β取区间[0,0.25]上的值，为保证时程分析法具有二阶精度，γ的值取0.5；计算积分常数：

a6＝Δt(1‑γ)，a7＝γΔt；确定 x(t)的初始时刻的值 x(t0)；

步骤3.2、形成等效刚度矩阵

步骤3.3、计算ti+1时刻的等效荷载步骤3.4、由下式求解ti+1时刻的位移x(ti+1)：步骤3.5、计算ti+1时刻的加速度和速度：重复步骤3.3‑步骤3.5，得到所选取时间段的任一时间点的动力响应。

5.根据权利要求1所述的一种水工弧形钢闸门参数荷载识别方法，其特征在于，所述步骤4具体为，构建BP神经网络模型来识别弧形钢闸门的参数荷载，该BP神经网络模型的拓扑结构为：包含1个输入层、1个隐层和1个输出层，输入层的输入为结构的动力响应，输入层神经元的个数由测点的个数确定，输出层的输出为参数荷载，输出层神经元的个数由作用在支臂上的参数荷载的个数确定，隐层神经元的个数取10。

6.根据权利要求1所述的一种水工弧形钢闸门参数荷载识别方法，其特征在于，所述步骤5具体按照以下步骤实施：

步骤5.1、将步骤3中的荷载及对应的时程分析结果作为样本数据，选择部分样本数据作为学习样本训练参数荷载识别的BP神经网络模型，动力响应数据作为神经网络的输入，对应的荷载数据作为神经网络的输出，采用线性插值公式对样本数据作归一化处理：式中，xi和x′i分别为归一化前、后的样本数据，xmin和xmax分别为样本数据的最大值和最小值；

步骤5.2、设置BP神经网络的相关计算参数，包括：初始化BP神经网络的连接权值和阈值，其值在区间[0,1]上随机选取；设置学习率和动量因子的值，其值在区间[0,1]上选取；

设置样本数，样本数由步骤5.1中选取的学习样本数确定；设置所要求的训练精度；

步骤5.3、输入全部学习样本数据训练BP神经网络，计算各层神经元的输入和输出，并计算输出层的均方误差；

步骤5.4、判断训练精度，如果均方误差的值大于所要求的训练精度，则根据学习率和动量因子调整各权值和阈值的值并重新输入学习样本进行训练，直到均方误差小于或等于所要求的训练精度，记录此时的BP神经网络的各权值和阈值的值，弧形钢闸门参数荷载识别的BP神经网络模型训练完毕。

7.根据权利要求1所述的一种水工弧形钢闸门参数荷载识别方法，其特征在于，所述步骤6具体按照以下步骤实施：

步骤6.1、将步骤3中的时程分析结果作为检验样本检验弧形钢闸门参数荷载神经网络识别模型的效果，将动力响应数据经过归一化处理后输入步骤5中训练好的BP神经网络模型，经过神经网络映射计算获得输出值；

步骤6.2、将神经网络的输出值与实际的参数荷载进行比较，计算两者的误差，如果误差在允许范围内，则认为神经网络的输出即为待求值，即有效识别出弧形钢闸门的参数荷载，否则改变步骤5中的计算参数，重新训练网络，直到误差满足要求为止。