1.一种考虑变几何外形的点云神经网络气动力热快速预测方法，其特征在于，包括以下步骤：确定研究对象，构建数据集；所述研究对象包括机翼；采用三维点云神经网络提取数据集中同一基础构型下，不同的变几何外形的全局外形特征、局部外形特征和来流条件特征，作为点云神经网络输入参数，并采用同一模型进行壁面压力和热流密度的预测；其中，三维点云神经网络的训练数据采用非均匀壁温边界条件下的壁面热流密度和压力；具体包括子步骤：S1，外形特征提取：将机翼表面网格点的三维坐标作为输入，设机翼表面总共包含N个坐标点，则将机翼的外形特征以N*3的格式输入网络中，“*”表示乘；然后通过多层感知机将输入参数进行升维，输出通道数依次为64、128、256、512，将N*512的特征作为机翼的局部特征向量，并将N*512输入到最大池化层中，提取特征向量的最大值后保存到特征向量中得到1*512的全局特征向量，该全局特征向量保存了机翼的外形的全部特征，并进行重复张量N次的操作，扩充维度，以对齐特征向量维度；S2，来流特征提取模块：将来流条件高度、攻角、马赫数作为神经网络输入，然后通过多层感知机网络将输入参数进行升维，通过多层感知机网络提取出高度、攻角和马赫数之间的非线性关系，最终形成来流条件的特征向量；S3，三维热流压力预测：点云神经网络通过解码器预测壁面热流密度和压力，将机翼外形局部特征、全局特征和来流条件特征向量进行拼接，得到完整特征向量；然后将特征向量输入到解码器中，解码器通过对特征向量进行解析进而实现对机翼壁面热流密度和压力进行预测，最终输出向量为每个机翼壁面点的热流密度或压力；得到最终输出向量后，还包括预测数据重建步骤：将最终输出向量与原数据文件进行数据对齐和拓扑关系匹配，将其写为可视化软件直接读取的数据格式，从而完成预测数据重建。
2.根据权利要求1所述的考虑变几何外形的点云神经网络气动力热快速预测方法，其特征在于，所述确定研究对象，构建数据集，具体包括子步骤：步骤（1），选用气动力热环境求解器进行初始外形气动力热环境求解，得到机翼未变形状态下壁面热流密度和压力分布；步骤（2），将壁面热流密度和压力分布插值至结构传热、结构应力应变场计算网格，用结构力热耦合计算求解器开展机翼表面结构传热、结构应力应变计算，通过计算得出壁面热流密度和压力持续作用下，不同时刻的机翼几何外形变化量；步骤（3），将不同时刻的机翼外形变化量通过网格变形程序，插值生成变形后流场计算网格，再返回至气动力热环境求解器，并开展不同时刻变几何外形机翼的气动力热环境求解，得出不同的变几何外形机翼的壁面热流密度和压力；步骤（4），抽取多个变形时刻的气动力热数据，并将数据进行前处理，再按照训练集、测试集和验证集划分比例形成考虑变几何外形的点云神经网络气动力热预测训练数据集。
3.根据权利要求2所述的考虑变几何外形的点云神经网络气动力热快速预测方法，其特征在于，在步骤（4）中，在训练数据集中，具体包括：由结构力热耦合计算求解器计算结构传热得到的非均匀壁温边界条件下数值计算的热流密度；或，采用热壁修正公式修正均匀壁温边界条件下的数值计算得到的热流密度。
4.根据权利要求2所述的考虑变几何外形的点云神经网络气动力热快速预测方法，其特征在于，在步骤（4）中，所述抽取多个变形时刻的气动力热数据具体包括抽取100个不同变形时刻的气动力热数据。
5.根据权利要求1所述的考虑变几何外形的点云神经网络气动力热快速预测方法，其特征在于，步骤S2中，通过多层感知机网络将输入参数进行升维后，输出通道数依次为64、128、256。
6.根据权利要求1所述的考虑变几何外形的点云神经网络气动力热快速预测方法，其特征在于，步骤S3中，所述完整特征向量的大小为N*1280。
7.根据权利要求1所述的考虑变几何外形的点云神经网络气动力热快速预测方法，其特征在于，步骤S3中，解码器通过对特征向量进行解析进而实现对机翼壁面热流密度和压力进行预测后的输出通道分别为512、512、128、1。
