1.一种结冰翼型气动模型构造方法，其特征在于，所述方法包括：从翼型数据库中选择任一翼型作为基准翼型并获取所述基准翼型的结冰翼型数据；根据结冰翼型数据生成相应翼型的非结构化网格并计算结冰翼型在预设马赫数和预设攻角条件下的气动系数；根据所述气动系数构建结冰翼型气动模型的训练集和测试集；搭建结冰翼型气动模型的网络，包括主干网络和分支网络；所述主干网络包含1个节点的输入层、一个20个节点的隐藏层以及一个20个节点的输出层，隐藏层和输出层的节点采用ReLU激活函数，所述主干网络的输入为攻角 ，输出长度为 向量；所述分支网络包含一个输入层、三个卷积层、三个池化层、一个扁平层以及一个20个节点的输出层；其中第一个卷积层包含32个尺寸为3×3的卷积核，卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层，第二个卷积层包含64个尺寸为3×3的卷积核，卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层，第三个卷积层包含128个尺寸为3×3的卷积核，卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层，池化层的输出输入一个扁平层，最后扁平层的输出全连接到一个20个节点的输出层，所述分支网络输入为归一化的结冰翼型图片v，输出一个长度为 向量；对搭建的网络进行网络训练，得到结冰翼型气动模型。
2.如权利要求1所述的结冰翼型气动模型构造方法，其特征在于，所述训练集的构建步骤具体包括：将预设的用于训练集的结冰翼型图片处理为预设维度且像素点归一化到0-1之间的图片数据，同时将攻角归一化为-1°~1°之间的序列数据；为每一个图片数据分配预设数量的攻角状态组成训练数据集的输入；将结冰翼型与攻角对应的气动系数作为样本集的输出，生成训练数据集。
3.如权利要求1所述的结冰翼型气动模型构造方法，其特征在于，所述测试集的构建步骤具体包括：将预设的用于测试集的结冰翼型图片处理为预设维度且像素点归一化到0-1之间的图片数据，同时将攻角归一化为-1°~1°之间的序列数据；为每一个图片数据分配预设数量的攻角状态组成测试集的输入；将结冰翼型与攻角对应的气动系数作为数据集的输出，生成测试集。
4.如权利要求1所述的结冰翼型气动模型构造方法，其特征在于，所述对搭建的网络进行网络训练采用ADAM优化算法和小批量方法，参数设置为：ADAM算法的初始学习率为0.001，批大小为8，迭代轮数为10。
5.一种结冰翼型气动模型构造装置，其特征在于，所述装置包括：数据获取模块，用于从翼型数据库中选择任一翼型作为基准翼型并获取所述基准翼型的结冰翼型数据；气动系数计算模块，用于根据结冰翼型数据生成相应翼型的非结构化网格并计算结冰翼型在预设马赫数和预设攻角条件下的气动系数；训练测试集构建模块，用于根据所述气动系数构建结冰翼型气动模型的训练集和测试集；网络构建模块，用于搭建结冰翼型气动模型的网络，包括主干网络和分支网络；所述主干网络包含1个节点的输入层、一个20个节点的隐藏层以及一个20个节点的输出层，隐藏层和输出层的节点采用ReLU激活函数，所述主干网络的输入为攻角 ，输出长度为 向量；所述分支网络包含一个输入层、三个卷积层、三个池化层、一个扁平层以及一个20个节点的输出层；其中第一个卷积层包含32个尺寸为3×3的卷积核，卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层，第二个卷积层包含64个尺寸为3×3的卷积核，卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层，第三个卷积层包含128个尺寸为3×3的卷积核，卷积层后使用ReLU激活函数并接一个大小为2×2的最大池化层，池化层的输出输入一个扁平层，最后扁平层的输出全连接到一个20个节点的输出层，所述分支网络输入为归一化的结冰翼型图片v，输出一个长度为 向量；网络训练模块，用于对搭建的网络进行网络训练，得到结冰翼型气动模型。
6.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至4任一项所述的结冰翼型气动模型构造方法。
7.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至4任一项所述的结冰翼型气动模型构造方法。
