1.一種氣動熱-結構熱傳導耦合非線性降階模型方法，其特征在于，該方法包括：

S1：對結構溫度場進行降階

構建結構溫度場降階模型，對結構溫度場降階模型進行訓練，訓練完成后，任意時刻結構溫度場可由低階向量表示；

所述步驟S1具體包括以下子步驟：

S101：結構溫度場和氣動熱-輻射場采用深度學習中的自編碼器神經網絡進行降階，神經網絡訓練樣本為：針對飛行彈道，基于數值模擬方法進行氣動熱-結構熱傳導瞬態耦合分析，從分析結果中采集若干時刻的結構溫度場作為訓練樣本；

S102：通過步驟S101中的訓練樣本對該自編碼器神經網絡進行訓練，在訓練自編碼器神經網絡時，采用反向傳播方法，不斷調整自編碼器神經網絡內部的權重和偏置參數，最終使得輸入和輸出的高維向量之間的誤差最??；

S103：訓練完成后，得到任意時刻結構溫度場降階后的結構溫度場低階向量而結構溫度場低階向量通過解碼網絡可以基本還原出原始的結構溫度場；

其中，自編碼器神經網絡的降階過程為：

將所述自編碼器神經網絡分為編碼部分和解碼部分，編碼部分將輸入的高維向量映射到低維向量，而解碼部分將低維向量再次映射到輸出的高維向量；

其中，輸入的高維向量則代表原始溫度場，輸出的高維向量則代表重構出的溫度場，而中間一層的低維向量則代表降階后的溫度場；

在訓練自編碼器神經網絡時，采用反向傳播方法，不斷調整自編碼器神經網絡內部的權重和偏置參數，最終使得輸入和輸出的高維向量之間的誤差最小；

S2：對氣動熱-輻射場進行降階并建模

構建氣動熱-輻射場降階模型，對氣動熱-輻射場降階模型進行訓練，訓練完成后，任意時刻氣動熱-輻射場可由熱載荷場低階向量表示；

構建輸入為Ma、H、α、輸出為熱載荷場低階向量的氣動熱-輻射場模型，對氣動熱-輻射場模型進行訓練，訓練完成后，氣動熱-輻射場模型可根據輸入條件快速輸出熱載荷場低階向量其中，Ma為來流馬赫數、H為飛行高度和α為來流迎角；

所述步驟S2具體包括以下子步驟：

S201：采用自編碼器神經網絡對氣動熱-輻射場進行降階；神經網絡訓練樣本為以Ma、H、α、構成3+l維空間內的氣動熱-輻射場計算數據，其中l為的階數；

S202：通過步驟S201中的訓練樣本對自編碼器神經網絡進行訓練，在訓練自編碼器神經網絡時，采用反向傳播方法，不斷調整自編碼器神經網絡內部的權重和偏置參數，最終使得輸入和輸出的高維向量之間的誤差最??；

S203：訓練完成后，得到任意熱載荷場降階后的熱載荷場低階向量階數記為m；通過解碼網絡還原出原始的氣動熱-輻射場分布；

其中，自編碼器神經網絡的降階過程如下：

編碼部分將輸入的高維向量映射到低維向量，而解碼部分將低維向量再次映射到輸出的高維向量；

其中，輸入的高維向量則代表原始熱載荷場，輸出的高維向量則代表重構出的熱載荷場，而中間一層的低維向量代表降階后的熱載荷場；

S204：構建輸入為Ma、H、α、其中，Ma為來流馬赫數、H為飛行高度以及α為來流迎角；輸出為熱載荷場低階向量的氣動熱-輻射場模型，該模型通過多層神經網絡實現；多層神經網絡的訓練樣本為：以Ma、H、α、構成3+l維空間，其中l為的階數，由于自編碼器神經網絡具有更好的物理場降階效果，因此，相比于背景技術中的POD方法，此處的l較??；

在較低維度的3+l維空間內進行抽樣，通過數值方法獲得樣本參數對應的氣動熱分布Q_a和表面輻射場Q_r，并記總的熱載荷場為Q＝Q_a-Q_r，將所有樣本得到的熱載荷場Q作為多層神經網絡訓練樣本；

S3：時域熱傳導模擬

構建時域熱傳導模型，以結構溫度場低階向量和熱載荷場低階向量訓練時域熱傳導模型，訓練完成后，以進行時域熱傳導模擬。