本发明涉及喷水推进器系统及模型降阶领域，特别涉及基于pod耦合神经网络的喷水推进器流场降阶方法。
背景技术：
1、随着海洋资源开发对海洋装备高性能需求的不断提升，传统螺旋桨动力推进系统的局限性日益凸显，而喷水推进系统凭借其高效、低噪、抗空化及高机动性等优势，逐渐成为海洋工程装备和船舶动力首选的推进方式，并成为该领域的研究热点。作为一种兼具创新性与工程实用性的动力推进方式，喷水推进器利用推进泵将进入流道内的水流高速泵出，通过产生的反作用力来推动船舶前进。
2、它由进水流道、喷水推进泵、喷口和转向倒车装置等部分组成。喷水推进器进水流道是船底吸入水流传输给喷水推进泵的流体流通通道，其内部存在复杂的三维非定常流动现象，包括边界层分离、二次流和空化效应等，影响整个系统的推进效率和安全。
技术实现思路
1、鉴于上述状况，本发明的主要目的是为了提出一种基于pod耦合神经网络的喷水推进器流场降阶方法，以解决上述技术问题。
2、本发明提出一种基于pod耦合神经网络的喷水推进器流场降阶方法，所述方法包括如下步骤：
3、步骤1、在计算流体力学仿真环境中，设定喷水推进器流道的边界条件，基于边界条件执行cfd仿真，生成高维流场原始数据；
4、步骤2、将高维流场原始数据导入至mworks中，划分为训练集；对训练集的数据进行本征正交分解，提取pod模态并按能量降序排序，基于预设条件按降序排序截取预设阶数的主导模态，以得到低维特征集；
5、步骤3、根据低维特征集中特征的数据结构，以构建神经网络模型；
6、步骤4、将低维特征集输入至神经网络模型中进行预测，得到压力预测值；计算压力预测值与高维流场原始数据中真实压力值之间的平方均值以构建均方误差损失函数，并配置adam优化器，利用均方误差损失函数对神经网络模型进行优化，以得到优化好的降阶模型；
7、步骤5、计算压力预测值与高维流场原始数据中的真实压力值之间的保真度指数，以对优化好的降阶模型进行评估，得到评估后的降阶模型；对于目标喷水推进器工况获取对应的高维流场数据，并转换为对应的低维特征，将低维特征输入至评估后的降阶模型中，以得到目标喷水推进器工况的降阶结果。
8、与现有技术相比，本发明有益效果如下：
9、1、通过提取高维cfd（计算流体力学）仿真或实验数据中的本征流动结构，构建计算成本极低的低维近似模型，在短时间内完成高分辨率全流场的还原，并直接输出压降、流速分布、涡旋特征等工程参数。突破了传统高保真仿真难以满足实时性需求的瓶颈，为管道系统数字孪生构建、在线流动监测与智能控制策略验证提供了高效可靠的技术途径，推动流体系统向实时感知、动态优化与自主决策的智能化方向发展。
10、2、rom（模型降阶）技术为管道系统的优化设计提供了高效、低成本且智能化的解决方案。通过从高维、高计算代价的传统cfd仿真中提取主导模态，rom能够构建出计算效率大幅提升的低阶代理模型。该模型能够快速预测管道在不同几何构型、边界条件及运行工况下的流场特性和关键性能指标（如压降、流量分布均匀性、涡旋演化、传热效率等），从而支持多参数、多目标优化问题的快速迭代与评估。基于rom的设计优化可以显著缩短传统依赖高保真仿真的设计周期，降低计算资源消耗，并更易于集成到优化算法（如进化算法、梯度优化等）中，实现管道结构、布置及运行策略的智能寻优。这使得rom成为实现高效、精准、自适应管道系统设计的关键使能技术，有力推动工程系统向数字化、智能化设计范式的转型。
11、3、本发明通过pod等降阶方法提取的主导模态，直观揭示管道内影响性能的关键流动结构（如主导涡系、射流剪切层、二次流），将海量流场数据转化为可解释的物理认知，指导设计改进全面，优化了感受野，同时增强特征表示能力和适应复杂场景。
12、本发明的附加方面与优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。
1.一种基于pod耦合神经网络的喷水推进器流场降阶方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的基于pod耦合神经网络的喷水推进器流场降阶方法，其特征在于，在所述步骤1中，在计算流体力学仿真环境中，设定喷水推进器流道的边界条件，基于边界条件执行cfd仿真，具体包括如下步骤：
3.根据权利要求2所述的基于pod耦合神经网络的喷水推进器流场降阶方法，其特征在于，定义无量纲速度和无量纲壁面距离，对应过程存在的关系式如下：
4.根据权利要求3所述的基于pod耦合神经网络的喷水推进器流场降阶方法，其特征在于，在所述步骤2中，对训练集的数据进行本征正交分解，提取pod模态并按能量降序排序，基于预设条件按降序排序截取预设阶数的主导模态，以得到低维特征集，具体包括如下步骤：
5.根据权利要求4所述的基于pod耦合神经网络的喷水推进器流场降阶方法，其特征在于，以数学形式将每个时刻的高维流场数据表示为空间正交的pod空间模态与对应时间系数的线性组合，以得到在空间与时间处的近似解向量，对应过程存在的关系式如下：
6.根据权利要求5所述的基于pod耦合神经网络的喷水推进器流场降阶方法，其特征在于，在所述步骤3中，根据低维特征集中特征的数据结构，构建对应的神经网络模型，具体包括：
7.根据权利要求6所述的基于pod耦合神经网络的喷水推进器流场降阶方法，其特征在于，在所述步骤4中，计算压力预测值与高维流场原始数据中真实压力值之间的平方均值以构建均方误差损失函数，对应过程存在的关系式如下：
8.根据权利要求7所述的基于pod耦合神经网络的喷水推进器流场降阶方法，其特征在于，在所述步骤5中，计算压力预测值与高维流场原始数据中的真实压力值之间的保真度指数，对应过程存在的关系式如下：
9.根据权利要求8所述的基于pod耦合神经网络的喷水推进器流场降阶方法，其特征在于，对优化好的降阶模型进行评估，还包括：