1.一种基于数据驱动的高增压发动机气道结构优化设计方法，其特征在于，包含以下几个步骤：

1)对气道中气门阀安装角度、气门阀座内径、气门座圈内径、气道喉口流通截面、缸盖/进气管交界面进行结构的参数化设计，并基于上述参数建立CAD模型；

2)基于不同CAD模型提供的结构参数，进行CFD模拟矩阵的建立，首先建立一维CFD模拟矩阵，用于确定CFD模拟的初始条件与边界条件，之后根据上述条件和结构参数建立二维CFD模拟矩阵，计算获得不同气道的流量系数、涡流/滚流比以及泵气功，根据二维CFD模拟矩阵的模拟结果选取满足泵气功要求的结构参数并建立三维CFD模拟矩阵，进一步对流量系数、涡流/滚流比以及泵气功进行稳态和瞬态计算，用于验证和评估一维CFD模拟矩阵、二维CFD模拟矩阵的模拟结果；

3)将步骤2)中部分一维CFD模拟矩阵、二维CFD模拟矩阵的模拟结果作为训练数据进行ML机器学习，基于遗传算法的支持向量机SVM机器学习算法建立ML分类模型，基于人工神经网络ANN机器学习算法建立ML回归模型；其余部分一维CFD模拟矩阵、二维CFD模拟矩阵的模拟结果作为测试数据检测ML回归模型和ML分类模型的精度，从而完成ML回归模型和ML分类模型两种智能模型的建立；

4)智能模型建立后，输入气道结构参数，基于流量系数、涡流/滚流比以及泵气功三个优化参数，ML分类模型定性判断现有的设计是否优于原始设计，ML回归模型定量给出气道结构参数在优化预期内的可选区域。

2.根据权利要求1所述的一种基于数据驱动的高增压发动机气道结构优化设计方法，其特征在于，步骤1)中，所述建立CAD模型的具体内容和方法是：采用理想入口扩孔以消除进口条件对流动发展的影响，基于三维建模软件，采用实体与扫掠相结合的气道模型建立方法，建立由缸套、活塞、缸盖、进排气阀、进排气到组成的封闭空间。

3.根据权利要求1所述的一种基于数据驱动的高增压发动机气道结构优化设计方法，其特征在于，步骤2)中，所述CFD模拟矩阵建立的具体内容和步骤包括：

1)将所建立的所述CAD模型导入CAE前处理软件进行静网格划分，针对不同的区域选定不同的网格分辨率，采用CFD软件进行一维静态分析，完成所述一维CFD模拟矩阵的建立，模拟结果用于确定CFD模拟的初始条件与边界条件，且连同静网格一起开展二维CFD模拟分析，完成所述二维CFD模拟矩阵的建立；

2)对二维CFD模拟矩阵计算不同结构参数下的流量系数、涡流/滚流比以及泵气功，若泵气功不满足要求，将模型参数导入Isight软件进行下一组模型参数的迭代，为了加快计算速度，腔室和阀门仅进行一次网格划分，若泵气功满足要求，则选取初步优化结果，则选取该部分结构参数建立所述三维CFD模拟矩阵；

3)对三维CFD模拟矩阵先开展三维稳态分析，三维稳态分析进一步计算了泵气功、流量系数以及滚流/涡流比在三维空间的分布，之后进行模型的动网格划分，通过参数调整形成半发动机几何模板，采用Mapping法将模板的各部分表面投影到真实发动机几何对应的部位，生成表面网格，内部网格节点重新分配后形成最终的网格匹配几何形状，之后开展三维瞬态CFD分析，计算涡流和滚流随时间及气阀升程变化的情况，瞬态分析的边界条件依据实际台架实验获得或者采用发动机热力学仿真软件的模拟结果确定。

4.根据权利要求1所述的一种基于数据驱动的高增压发动机气道结构优化设计方法，其特征在于，步骤2)中，所述CFD模拟矩阵的建立的方法是以二维CFD模拟矩阵为主，所述三维CFD模拟矩阵用于验证和评估所述一维CFD模拟矩阵和二维CFD模拟矩阵的模拟结果。

5.根据权利要求1所述的一种基于数据驱动的高增压发动机气道结构优化设计方法，其特征在于，步骤2)中：稳态分析时，当增压比确定，在不同的气阀升程下，采用压力边界条件以保证进出口的压差保持不变；滚流/涡流比采用以下方法定义为：式中NSA为无量纲滚流/涡流比、S为活塞行程、ρ为充气密度、Q为体积流率、G为流体动量矩；

瞬态分析时，压力边界条件采用实验或者GT‑Power模拟结果应用于进气口和出气口；

针对不同的壁面假定壁面温度相同；滚流/涡流比采用下式计算：

式中Xi，Zi为单元的形心坐标、Xm，Zm为气缸的质心坐标、wi，vi为单元上的流体速度。

6.根据权利要求1所述的一种基于数据驱动的高增压发动机气道结构优化设计方法，其特征在于，步骤3)中所述模拟结果包括流量系数、涡流/滚流比、泵气功3个优化参数，并在距缸盖1.75D处设置优化参数的监测点；其中D为气缸直径。

7.根据权利要求1所述的一种基于数据驱动的高增压发动机气道结构优化设计方法，其特征在于，步骤3)中，所述模拟结果分为两部分，75％作为ML机器学习算法的训练数据，

25％作为测试数据来测试所述ML回归模型和所述ML分类模型的精度。

8.根据权利要求1所述的一种基于数据驱动的高增压发动机气道结构优化设计方法，其特征在于，步骤3)中，所述ML分类模型是基于遗传算法的支持向量机SVM机器学习算法，其建立步骤如下：

1)通过采集所述模拟结果作为样本数据，将流量系数、涡流/滚流比、泵气功三个优化参数加权后，得到总目标函数：G＝α(kmax/k)+β(amax/a)+γ(wmax/w)

式中:α、β、γ分别表示流量系数、涡流/滚流比和泵气功的加权系数，k、a、w分别表示气道流通过程中的流量系数、涡流/滚流比和泵气功，kmax、amax、wmax分别表示气道流通过程中的最大流量系数、最大涡流/滚流比和最大泵气功；

2)在总目标函数最小的情况下，用遗传算法进行参数优化，为寻找目标函数的最小值且期望在分类精度接近的条件下获得结构尽可能简单的分类面，进行适应度函数的设计，适应度函数如下:式中：E是SVM在训练样本集上的错分率；N1、N2、n1、n2分别是对应两类支持向量数和训练样本数；C1、C2为分类面的复杂度系数，取0～1的常数；

3)采用基于排序的适应度分派原则，按照适应度对种群内个体进行排序，然后按照概率确定公式确定第i个个体被选择的概率，以概率Pi采用轮盘赌方法完成选择操作；

i‑1

Pi＝c(1‑c)

式中，i为个体排序序号；c为排序第一的个体的选择概率；

4)交叉操作采用线性组合的方式，某一概率对某两个染色体X1、X2进行如下交叉操作：X1＝μX1+(1‑μ)X2

X2＝(1‑μ)X1+μX2

式中，μ为0～1之间的随机数；

5)变异操作，在待变异的染色体中随机选择一个变异位j，把它设置为一个归一化的随机数U(ai，bi)；ai，bi为对应变异位的上下限:

6)当最优个体的适应度和群体适应度不再上升时，算法终止；若不满足终止条件，则更新群体再次进行选择、交叉和变异算法，若满足终止条件，则输出对应结果，完成所述ML分类模型的建立。

9.根据权利要求1所述的一种基于数据驱动的高增压发动机气道结构优化设计方法，其特征在于，步骤3)中，所述ML回归模型是基于人工神经网络ANN机器学习算法，其建立步骤如下：

1)将不同结构参数下的模拟结果，即流量系数、涡流/滚流比、泵气功，通过正规化函数，映射到(0，1)区间内，得到训练样本和测试样本，采用的正规化函数如下：其中，x为正规化前CFD模拟的模拟结果数据；y为正规化后CFD模拟的模拟结果数据，n为模拟结果中的参数数目；为x的平均值；xmax为正规化前x的最大值；

2)将训练样本进行正向传播，从输入层输入，通过隐含层的激活函数处理后经由隐含层输出节点输出，再通过输出层的激活函数处理，经由输出层节点输出，得到实际输出值，之后通过误差函数求解各节点的实际输出值与期望值之间的误差，并判断误差是否符合指标要求；

所述隐含层输出节点为:

输出层节点的输出为：

‑x

式中，f(…)的数学表达式为f(x)＝1/(1+e )；xn为第n个输入节点值；wih表示输入层与隐藏层之间的权值；who为隐藏层与输出层之间的权值；ni、nh、no分别表示输入层、隐藏层和输出层的节点数；

误差函数的数学形式为：

式中：m为训练样本数目；dk(i)为期望输出；yk(i)为实际输出；

3)若实际输出值与期望值之间的误差不满足指标要求则通过梯度下降法进行反向传播，利用复合求导得到输出层权值及输入层和隐藏层之间的权值更新公式，根据更新公式更新输出层权值以及输入层和隐藏层之间的权值，使得输出层各个节点的输出值与期望值之间的误差满足准确度的要求，进行优化后值的输出，完成所述ML回归模型的建立；

权值的更新公式如下：

偏置的更新公式如下：

(1) (1)

式中:w为权值；b为偏置；α为学习率；wij 为第一层第ij节点的权值；bij 为第一层第ij节点的偏置。