Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator

在复杂的空间任务中，例如无大气行星表面探测，模拟热状态需要高强度计算，不论是用于地面分析进行航天器设计，还是在自主操作期间进行机载推理。例如，具有数百个元素的有限元热模型需要较长时间进行模拟，这使得它在时间敏感的情况下，例如下降和着陆、接近操作或空间组装期间的机载推理中不适用。此外，缺乏快速而准确的热建模会导致热设计更为保守，导致航天器具有更大的质量和更高的功率预算。物理知识驱动的机器学习（PIML）的新兴范式提供了一类混合建模体系结构，通过将简化的物理模型与机器学习（ML）模型相结合，从而产生既具有可解释性又具有鲁棒性的模型。这些技术通过机载热状态估计和控制实现质量和功率降低的设计，可能会导致改善非正常状态的机载处理，包括计划外的停机时间。这里介绍的PIML模型或混合模型由神经网络组成，该网络根据轨道上的热负载条件预测减少节点化（粗网格的分布和大小），随后（相对粗略的）有限差分模型在此网格上进行热状态预测。我们比较了该混合模型与数据驱动的神经网络模型以及原型地球轨道小型航天器的高保真有限差分模型的计算性能和准确性。基于PIML的主动节点化方法提供了比神经网络模型和粗网格模型更好的泛化能力，同时将计算成本降低了高保真模型的1.7倍。

解决问题：论文试图通过物理驱动的机器学习方法解决在空间探索任务中的热力学建模问题，以减少计算成本和提高准确性。

关键思路：论文提出了一种物理驱动的机器学习（PIML）模型，将简化的物理模型与机器学习模型相结合，以预测热状态并控制热管理。该模型具有较高的准确性和计算效率。

其他亮点：论文通过实验验证了该模型的准确性和计算效率，并将其与其他模型进行比较。论文还提供了数据集和代码，以便其他研究人员可以使用和复制该模型。

相关研究：最近的相关研究包括使用机器学习进行热力学建模的其他方法，如基于神经网络的模型和基于深度学习的模型。