CN113177290B - 基于深度代理模型归一化的卫星组件温度场预测方法 - Google Patents
基于深度代理模型归一化的卫星组件温度场预测方法 Download PDFInfo
- Publication number
- CN113177290B CN113177290B CN202110317452.2A CN202110317452A CN113177290B CN 113177290 B CN113177290 B CN 113177290B CN 202110317452 A CN202110317452 A CN 202110317452A CN 113177290 B CN113177290 B CN 113177290B
- Authority
- CN
- China
- Prior art keywords
- temperature field
- depth
- satellite component
- satellite
- field distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Abstract
本发明公开了一种基于深度代理模型归一化的卫星组件温度场预测方法,包括:建立卫星组件布局的结构模型;生成训练数据集和测试数据集;构建深度代理模型的归一化层及损失函数;利用训练数据集和测试数据集对深度代理模型进行训练以拟合卫星组件布局与归一化温度场分布的映射关系;将待计算温度场分布的卫星组件布局输入训练后的深度代理模型,获取卫星组件布局对应的归一化温度场分布;根据归一化逆过程对归一化温度场分布进行处理,获取卫星组件布局对应的温度场分布。本发明的方法在采用深度代理模型的基础上,通过构建深度代理模型的归一化层进行归一化处理,能够使深度代理模型更好地学习卫星组件布局温度场变化,提高模型的预测性能。
Description
技术领域
本发明涉及卫星布局设计技术领域,具体涉及一种基于深度代理模型归一化的卫星组件温度场预测方法。
背景技术
卫星技术作为当前太空领域的核心技术之一,被广泛应用于卫星通信、卫星气象遥感、卫星导航、卫星侦察等军事民用领域。通常,卫星功能的实现依赖于卫星内部嵌入的各种卫星组件,卫星组件的实现和正常运行能够确保卫星提供的各种不同服务。然而,卫星组件在运行过程中,不可避免地会产生大量热量,这些热量的产生会增加卫星内部环境的温度,卫星内部环境温度的升高反过来会严重影响卫星组件运行的可靠性和寿命。因此,需要对卫星内部的卫星组件进行合理布局以控制卫星组件的温度场分布,从而降低卫星组件的热负荷,提高卫星组件的使用性能和使用寿命。
目前通常采用计算机仿真技术和深度学习方法来完成卫星组件热设计,以提高卫星组件热设计效率。
利用计算机仿真技术来完成卫星组件热设计时,通过重复测试,不断调整卫星组件位置,最终找到具有合理温度场分布的卫星组件布局。在利用计算机仿真技术进行卫星组件热分析需要通过数学方法来完成温度场计算,目前常用的计算方法主要有解析法和数值解法。然而,解析法通过利用热传导微分方程计算出温度场数学模型,该方法受限于高阶微分方程的求解难度,往往难以得到精确的温度场模型。数值解法包括有限差分法、有限体积法和有限元法,这些方法理论上可以得到任意所需精度,然而较高的精度伴随着大量的矩阵计算,并且卫星组件布局改变一次,均需要重新进行一次温度场分布的计算,导致试验效率低和试验周期长。
利用深度学习方法来完成卫星组件热设计时,由于卫星组件布局预测问题具有特殊性,卫星组件布局温度场变化较大,使得直接采用温度场作为映射输出结果,训练得到的深度学习模型无法得到较好的预测结果。
发明内容
为解决上述现有技术中存在的部分或全部技术问题,本发明提供一种基于深度代理模型归一化的卫星组件温度场预测方法。
为此,本发明公开了一种基于深度代理模型归一化的卫星组件温度场预测方法,该方法包括:
对卫星组件的结构进行近似描述,建立卫星组件布局的结构模型;
生成包括多个卫星组件布局及卫星组件布局对应的温度场分布的训练数据集,生成包括多个卫星组件布局及卫星组件布局对应的温度场分布的测试数据集;
构建深度代理模型的归一化层及损失函数;
基于构建的深度代理模型的归一化层及损失函数,利用训练数据集和测试数据集对深度代理模型进行训练以拟合卫星组件布局与归一化温度场分布的映射关系;
将待计算温度场分布的卫星组件布局输入训练后的深度代理模型,获取卫星组件布局对应的归一化温度场分布;
根据归一化逆过程对归一化温度场分布进行处理,获取卫星组件布局对应的温度场分布。
进一步地,在所述基于深度代理模型归一化的卫星组件温度场预测方法中,采用以下方式建立卫星组件布局的结构模型:
将卫星组件布局设定为方形区域,将方形区域划分为n1×n1个网格,在方形区域的四条边中的一条边上设置一个设定长度的小孔作为散热孔,散热孔区域温度恒定为T0;
将卫星组件设定为方形结构,一个卫星组件能够放置在一个网格位置上,根据每个卫星组件在卫星组件布局中的具体位置将不同卫星组件放置在不同的网格位置上。
进一步地,在所述基于深度代理模型归一化的卫星组件温度场预测方法中,采用sigmoid函数作为深度代理模型的归一化层,对深度代理模型输出的特征进行归一化处理,以得到归一化温度场分布;
sigmoid函数表示为:
式中,F(xi)表示归一化温度场分布,表示深度代理模型输出的特征,xi表示第i个训练样本中的卫星组件布局,e表示自然常数。
进一步地,在所述基于深度代理模型归一化的卫星组件温度场预测方法中,当采用sigmoid函数作为深度代理模型的归一化层时,构建深度代理模型的损失函数为:
式中,表示卫星组件布局xi对应的归一化后的实际温度场分布,N表示训练样本数量。
进一步地,在所述基于深度代理模型归一化的卫星组件温度场预测方法中,采用sin函数作为深度代理模型的归一化层,对深度代理模型输出的特征进行归一化处理,以得到归一化温度场分布;
sin函数表示为:
式中,S(xi)表示归一化温度场分布,表示深度代理模型输出的特征,xi表示第i个训练样本中的卫星组件布局。
进一步地,在所述基于深度代理模型归一化的卫星组件温度场预测方法中,当采用sin函数作为深度代理模型的归一化层时,构建深度代理模型的损失函数为:
式中,表示卫星组件布局xi对应的归一化后的实际温度场分布,N表示训练样本数量。
进一步地,在所述基于深度代理模型归一化的卫星组件温度场预测方法中,采用cos函数作为深度代理模型的归一化层,对深度代理模型输出的特征进行归一化处理,以得到归一化温度场分布;
cos函数表示为:
式中,C(xi)表示归一化温度场分布,表示深度代理模型输出的特征,xi表示第i个训练样本中的卫星组件布局。
进一步地,在所述基于深度代理模型归一化的卫星组件温度场预测方法中,当采用cos函数作为深度代理模型的归一化层时,构建深度代理模型的损失函数为:
式中,表示卫星组件布局xi对应的归一化后的实际温度场分布,N表示训练样本数量。
进一步地,在所述基于深度代理模型归一化的卫星组件温度场预测方法中,卫星组件布局xi对应的归一化后的实际温度场分布利用以下公式5计算;
式中,表示第i个训练样本中的实际温度场分布,/>表示/>的最小值,i=1,…N,/>表示/>的最大值,i=1,…N。
进一步地,在所述基于深度代理模型归一化的卫星组件温度场预测方法中,深度代理模型采用主体结构为特征金字塔网络的神经网络模型,且神经网络模型采用并运算的多尺度特征融合方式。
本发明技术方案的主要优点如下:
本发明的基于深度代理模型归一化的卫星组件温度场预测方法,通过采用深度代理模型来实现卫星组件温度场分布的计算预测,能够避免采用传统数值解法而导致的工作量大和效率低下的问题;同时,在采用深度代理模型的基础上,通过构建深度代理模型的归一化层对深度代理模型输出的特征进行归一化处理,能够使深度代理模型更好地学习卫星组件布局温度场变化,提高深度代理模型的预测性能,预测精度和预测效率高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例的基于深度代理模型归一化的卫星组件温度场预测方法的流程图;
图2为本发明一实施例的一个卫星组件布局的结构模型示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下结合附图,详细说明本发明实施例提供的技术方案。
如附图1所示,本发明一实施例提供了一种基于深度代理模型归一化的卫星组件温度场预测方法,该方法包括以下步骤:
S1,对卫星组件的结构进行近似描述,建立卫星组件布局的结构模型;
S2,生成包括多个卫星组件布局及卫星组件布局对应的温度场分布的训练数据集,生成包括多个卫星组件布局及卫星组件布局对应的温度场分布的测试数据集;
S3,构建深度代理模型的归一化层及损失函数;
S4,基于构建的深度代理模型的归一化层及损失函数,利用训练数据集和测试数据集对深度代理模型进行训练以拟合卫星组件布局与归一化温度场分布的映射关系;
S5,将待计算温度场分布的卫星组件布局输入训练后的深度代理模型,获取卫星组件布局对应的归一化温度场分布;
S6,根据归一化逆过程对归一化温度场分布进行处理,获取卫星组件布局对应的温度场分布。
以下对本发明一实施例提供的基于深度代理模型归一化的卫星组件温度场预测方法的各个步骤及原理进行具体说明。
S1,对卫星组件的结构进行近似描述,建立卫星组件布局的结构模型;
具体地,基于卫星组件的结构特点和布局特点,对卫星组件的结构进行近似描述,建立卫星组件布局的结构模型。
卫星组件的结构特点和布局特点为:卫星组件布局为设定区域布局,在该设定区域内分布着一定数量的不同尺寸不同功率大小的卫星组件,不同功率的卫星组件在工作时持续产生热量,即可视为不同功率的热源。卫星组件布局的散热方式采用热传导方式散热,服从热传导稳态微分方程,相应的边界条件包括Dirichlet边界条件和Neumann边界条件。在卫星组件布局区域上侧开有一定大小的散热孔,散热孔为Dirichlet边界条件,即散热孔处温度恒定,除散热孔外采用Neumann边界条件,即绝热。
卫星组件稳态温度场需要同时满足热传导稳态微分方程以及边界条件,热传导稳态微分方程是需要满足的热力学方程,可以表示为:
式中,x和y表示二维平面内一点的坐标,T表示该点处的温度,k表示热传导系数,表示该点处的热源强度;对于卫星组件布局对应的方形网格区域,x和y则表示网格的位置坐标。
边界条件用于提供热传导稳态微分方程的初值条件。通常边界条件可分为三种,即第一类边界条件(Dirichlet边界条件)、第二类边界条件(Neumann边界条件)和第三类边界条件(Robin边界条件)。
如附图2所示,基于上述的卫星组件的结构特点和布局特点,采用以下方式建立卫星组件布局的结构模型:
将卫星组件布局设定为方形区域,对方形区域进行网格划分,以将方形区域划分为n1×n1个网格,在方形布局区域的四条边中的一条边上设置一个设定长度的小孔作为散热孔,散热孔区域温度恒定为T0;将卫星组件设定为方形结构,一个卫星组件能够放置在一个网格位置上,根据每个卫星组件在卫星组件布局中的具体位置将不同卫星组件放置在不同的网格位置上。
针对不同的卫星组件布局,利用上述方式能够获得不同卫星组件布局对应的结构模型。
S2,生成包括多个卫星组件布局及卫星组件布局对应的温度场分布的训练数据集,生成包括多个卫星组件布局及卫星组件布局对应的温度场分布的测试数据集;
基于上述建立的卫星组件布局的结构模型的基础上,生成包括多个卫星组件布局及卫星组件布局对应的温度场分布的训练数据集,生成包括多个卫星组件布局及卫星组件布局对应的温度场分布的测试数据集,具体包括:
随机挑选方形区域中的若干个网格,在挑选的若干个网格上放置卫星组件得到一种卫星组件布局,计算卫星组件布局对应的温度场分布,获得一个包括卫星组件布局及卫星组件布局对应的温度场分布的训练样本,重复多次随机生成过程以得到包括N个训练样本的训练数据集;
随机挑选方形区域中的若干个网格,在挑选的若干个网格上放置卫星组件得到一种卫星组件布局,计算卫星组件布局对应的温度场分布,获得一个包括卫星组件布局及卫星组件布局对应的温度场分布的测试样本,重复多次随机生成过程以得到包括M个测试样本的测试数据集。
其中,可以采用有限差分法或有限元法或fenics软件计算求解卫星组件布局对应的温度场分布。
本发明一实施例中,N>>M。
由于训练样本和测试样本的数量越多,训练后的深度代理模型的预测精度越高,但训练样本和测试样本的数量越多,则相应的计算工作量越大。为此,本发明一实施例中,训练样本和测试样本的总数设置为60000个,训练样本的数目为50000个,测试样本的数目为10000个。
S3,构建深度代理模型的归一化层及损失函数;
为了提取卫星组件布局的多尺度信息,深度代理模型可以采用主体结构为特征金字塔网络(Feature Pyramid Networks,FPN)的神经网络模型,该神经网络模型以残差网络(ResNet)作为基本骨架,分为自上而下的下采样过程、自下而上的上采样过程以及中间连接三个部分,能够将各层输出的不同尺度的特征图进行融合与映射,得到卫星组件布局温度场分布输出。
为了利用不同尺度特征构成的特征金字塔,需要对不同尺度特征进行融合。为此,本发明一实施例中,采用并运算的多尺度特征融合方式,通过采用并运算特征融合方式将不同尺度的信息融合,能够保留不同尺度提取的布局信息,有效提高卫星组件布局温度场分布的预测精度。
本发明一实施例中,深度代理模型的输入为n1×n1网格尺度下的卫星组件布局,每个网格的值表明该网格位置是否存在热源(卫星组件),具体数值表示热源强度。
进一步地,为了更好地学习卫星组件布局温度场变化,提高深度代理模型的预测性能。本发明一实施例中,通过构建深度代理模型的归一化层对深度代理模型输出的特征进行归一化处理。
具体地,本发明一实施例中,采用sigmoid函数、sin函数或cos函数作为深度代理模型的归一化层。
设定为深度代理模型的第i个训练样本,i=1,2,…,N,xi表示卫星组件布局,/>表示卫星组件布局xi对应的实际温度场分布,N表示训练样本数量,深度代理模型输出的特征为/>即通过特征金字塔网络经融合后得到的特征为/>
当采用sigmoid函数作为深度代理模型的归一化层时,通过sigmoid函数归一化后得到的归一化温度场分布表示为:
式中,F(xi)表示归一化温度场分布,e表示自然常数。
当采用sin函数作为深度代理模型的归一化层时,通过sin函数归一化后得到的归一化温度场分布表示为:
式中,S(xi)表示归一化温度场分布。
当采用cos函数作为深度代理模型的归一化层时,通过cos函数归一化后得到的归一化温度场分布表示为:
式中,C(xi)表示归一化温度场分布。
进一步地,基于上述具体生成的训练数据集和测试数据集,深度代理模型的训练过程采用有监督训练方式进行,相应的损失函数采用L1范数损失函数。由于训练样本通过深度代理模型及设定的归一化层后得到的是卫星组件布局对应的归一化温度场分布,即得到的预测温度场分布是归一化后的温度场分布。为此,在构造深度代理模型的损失函数时,需要对训练样本中卫星组件布局对应的实际温度场分布进行归一化处理,基于归一化后的实际温度场分布构建损失函数。
针对训练样本采用以下公式5对训练样本中卫星组件布局对应的实际温度场分布进行归一化处理,以获取归一化后的实际温度场分布;
式中,表示卫星组件布局xi对应的归一化后的实际温度场分布,/>表示/>的最小值,i=1,…N,/>表示/>的最大值,i=1,…N。
基于上述归一化后的实际温度场分布,当采用sigmoid函数作为深度代理模型的归一化层时,构建深度代理模型的损失函数为:
基于上述归一化后的实际温度场分布,当采用sin函数作为深度代理模型的归一化层时,构建深度代理模型的损失函数为:
基于上述归一化后的实际温度场分布,当采用cos函数作为深度代理模型的归一化层时,构建深度代理模型的损失函数为:
通过上述构建的三种不同归一化函数下的损失函数训练深度代理模型,能够实现卫星组件布局对应的归一化温度场分布的预测。
S4,基于构建的深度代理模型的归一化层及损失函数,利用训练数据集和测试数据集对深度代理模型进行训练以拟合卫星组件布局与归一化温度场分布的映射关系;
具体地,基于上述具体构建的三种深度代理模型的归一化层及损失函数中的任一种,利用生成的训练数据集和测试数据集,运用误差反向传播对深度代理模型进行训练,当训练达到设定的训练次数后停止,并对得到的深度代理模型进行保存。
其中,当训练数据集中训练样本数为50000个,测试数据集中测试样本数为10000个时,训练迭代次数可以设置为50次。
S5,将待计算温度场分布的卫星组件布局输入训练后的深度代理模型,获取卫星组件布局对应的归一化温度场分布;
当完成深度代理模型的训练保存后,加载保存的深度代理模型,将待计算温度场分布的卫星组件布局输入深度代理模型,以获取卫星组件布局对应的归一化温度场分布。
S6,根据归一化逆过程对归一化温度场分布进行处理,获取卫星组件布局对应的温度场分布;
当得到卫星组件布局对应的归一化温度场分布后,根据公式5所示的温度场分布的归一化处理过程中,确定对应的温度场分布的归一化逆过程,通过归一化逆过程对步骤5获取的卫星组件布局对应的归一化温度场分布进行计算处理,得到卫星组件布局对应的温度场分布的预测结果,从而辅助卫星组件布局的优化设计。
本发明一实施例提供的基于深度代理模型归一化的卫星组件温度场预测方法,通过采用深度代理模型来实现卫星组件温度场分布的计算预测,能够避免采用传统数值解法而导致的工作量大和效率低下的问题;同时,在采用深度代理模型的基础上,通过构建深度代理模型的归一化层对深度代理模型输出的特征进行归一化处理,能够使深度代理模型更好地学习卫星组件布局温度场变化,提高深度代理模型的预测性能,预测精度和预测效率高。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外,本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
最后应说明的是:以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (2)
1.一种基于深度代理模型归一化的卫星组件温度场预测方法,其特征在于,包括:
对卫星组件的结构进行近似描述,建立卫星组件布局的结构模型;
生成包括多个卫星组件布局及卫星组件布局对应的温度场分布的训练数据集,生成包括多个卫星组件布局及卫星组件布局对应的温度场分布的测试数据集;
构建深度代理模型的归一化层及损失函数;
基于构建的深度代理模型的归一化层及损失函数,利用训练数据集和测试数据集对深度代理模型进行训练以拟合卫星组件布局与归一化温度场分布的映射关系;
将待计算温度场分布的卫星组件布局输入训练后的深度代理模型,获取卫星组件布局对应的归一化温度场分布;
根据归一化逆过程对归一化温度场分布进行处理,获取卫星组件布局对应的温度场分布;
其中,采用sigmoid函数作为深度代理模型的归一化层,对深度代理模型输出的特征进行归一化处理,以得到归一化温度场分布;
sigmoid函数表示为:
式中,F(xi)表示归一化温度场分布,表示深度代理模型输出的特征,xi表示第i个训练样本中的卫星组件布局,e表示自然常数;
当采用sigmoid函数作为深度代理模型的归一化层时,构建深度代理模型的损失函数为:
式中,表示卫星组件布局xi对应的归一化后的实际温度场分布,N表示训练样本数量;
其中,采用sin函数作为深度代理模型的归一化层,对深度代理模型输出的特征进行归一化处理,以得到归一化温度场分布;
sin函数表示为:
式中,S(xi)表示归一化温度场分布,表示深度代理模型输出的特征,xi表示第i个训练样本中的卫星组件布局;
当采用sin函数作为深度代理模型的归一化层时,构建深度代理模型的损失函数为:
式中,表示卫星组件布局xi对应的归一化后的实际温度场分布,N表示训练样本数量;
其中,采用cos函数作为深度代理模型的归一化层,对深度代理模型输出的特征进行归一化处理,以得到归一化温度场分布;
cos函数表示为:
式中,C(xi)表示归一化温度场分布,表示深度代理模型输出的特征,xi表示第i个训练样本中的卫星组件布局;
当采用cos函数作为深度代理模型的归一化层时,构建深度代理模型的损失函数为:
式中,表示卫星组件布局xi对应的归一化后的实际温度场分布,N表示训练样本数量;
卫星组件布局xi对应的归一化后的实际温度场分布利用以下公式5计算;
式中,表示第i个训练样本中的实际温度场分布,/>表示/>的最小值,i=1,…N,/>表示/>的最大值,i=1,…N;
深度代理模型采用主体结构为特征金字塔网络的神经网络模型,且神经网络模型采用多尺度特征融合方式,将不同尺度的信息融合,保留不同尺度提取的布局信息,有效提高卫星组件布局温度场分布的预测精度。
2.根据权利要求1所述的基于深度代理模型归一化的卫星组件温度场预测方法,其特征在于,采用以下方式建立卫星组件布局的结构模型:
将卫星组件布局设定为方形区域,将方形区域划分为n1×n1个网格,在方形区域的四条边中的一条边上设置一个设定长度的小孔作为散热孔,散热孔区域温度恒定为T0;
将卫星组件设定为方形结构,一个卫星组件能够放置在一个网格位置上,根据每个卫星组件在卫星组件布局中的具体位置将不同卫星组件放置在不同的网格位置上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110317452.2A CN113177290B (zh) | 2021-03-25 | 2021-03-25 | 基于深度代理模型归一化的卫星组件温度场预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110317452.2A CN113177290B (zh) | 2021-03-25 | 2021-03-25 | 基于深度代理模型归一化的卫星组件温度场预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177290A CN113177290A (zh) | 2021-07-27 |
CN113177290B true CN113177290B (zh) | 2023-09-26 |
Family
ID=76922260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110317452.2A Active CN113177290B (zh) | 2021-03-25 | 2021-03-25 | 基于深度代理模型归一化的卫星组件温度场预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177290B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792478B (zh) * | 2021-08-20 | 2022-11-11 | 中国人民解放军军事科学院国防科技创新研究院 | 基于集成深度代理模型的热源布局温度场可靠性分析方法 |
CN114417495A (zh) * | 2021-12-15 | 2022-04-29 | 中国人民解放军军事科学院国防科技创新研究院 | 基于不确定性的卫星组件布局可靠性分析方法 |
CN114722732B (zh) * | 2022-06-09 | 2022-09-02 | 华中科技大学 | 基于点云网络的高超声速飞行器燃料箱温度场预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831475A (zh) * | 2012-08-01 | 2012-12-19 | 华北电力大学 | 用于风电场功率预测模型的正弦归一化方法 |
CN106682685A (zh) * | 2016-12-06 | 2017-05-17 | 重庆大学 | 基于微波加热温度场分布特征深度学习的局部温度变化异常检测方法 |
CN111507032A (zh) * | 2020-03-31 | 2020-08-07 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度学习技术预测温度分布的组件布局优化设计方法 |
CN111783331A (zh) * | 2020-06-04 | 2020-10-16 | 中国人民解放军军事科学院国防科技创新研究院 | 基于迁移学习的卫星组件温度场确定方法 |
WO2020248471A1 (zh) * | 2019-06-14 | 2020-12-17 | 华南理工大学 | 一种基于集聚交叉熵损失函数的序列识别方法 |
CN112257321A (zh) * | 2020-10-27 | 2021-01-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于无监督学习的卫星组件温度场确定方法 |
-
2021
- 2021-03-25 CN CN202110317452.2A patent/CN113177290B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831475A (zh) * | 2012-08-01 | 2012-12-19 | 华北电力大学 | 用于风电场功率预测模型的正弦归一化方法 |
CN106682685A (zh) * | 2016-12-06 | 2017-05-17 | 重庆大学 | 基于微波加热温度场分布特征深度学习的局部温度变化异常检测方法 |
WO2020248471A1 (zh) * | 2019-06-14 | 2020-12-17 | 华南理工大学 | 一种基于集聚交叉熵损失函数的序列识别方法 |
CN111507032A (zh) * | 2020-03-31 | 2020-08-07 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度学习技术预测温度分布的组件布局优化设计方法 |
CN111783331A (zh) * | 2020-06-04 | 2020-10-16 | 中国人民解放军军事科学院国防科技创新研究院 | 基于迁移学习的卫星组件温度场确定方法 |
CN112257321A (zh) * | 2020-10-27 | 2021-01-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于无监督学习的卫星组件温度场确定方法 |
Non-Patent Citations (3)
Title |
---|
Atomospheric temperature retrival from satellite data: new non-extensive artifical neural network approach;Elcio Hideiti Shiguemori 等;《Proceeding of the 2008 ACM symposium on applied computing》;全文 * |
地采暖木地板释热温度场的BP神经网络预测;周世玉等;《林业科学》;20181115(第11期);第161-166页 * |
基于BP神经网络的燃煤锅炉温度分布预测;贾永会等;《热能动力工程》(第07期);第140-148页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113177290A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113177290B (zh) | 基于深度代理模型归一化的卫星组件温度场预测方法 | |
Jiang et al. | Parameter estimation of solar cells and modules using an improved adaptive differential evolution algorithm | |
CN111507032B (zh) | 基于深度学习技术预测温度分布的组件布局优化设计方法 | |
CN112257321B (zh) | 基于无监督学习的卫星组件温度场确定方法 | |
CN112733275B (zh) | 基于半监督学习的卫星组件热布局温度场预测方法 | |
Shu et al. | A new multi-objective Bayesian optimization formulation with the acquisition function for convergence and diversity | |
KR20180134336A (ko) | 전기 열 배터리 모델의 생성 및 사용을 위한 시스템 및 방법 | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN113792478B (zh) | 基于集成深度代理模型的热源布局温度场可靠性分析方法 | |
Ivan et al. | Multi-dimensional finite-volume scheme for hyperbolic conservation laws on three-dimensional solution-adaptive cubed-sphere grids | |
Yu et al. | Parameter identification of photovoltaic models using a sine cosine differential gradient based optimizer | |
CN114036787A (zh) | 基于物理先验自监督学习的卫星组件热布局温度场预测 | |
US20210295167A1 (en) | Generative networks for physics based simulations | |
CN113221326B (zh) | 基于teacher-student代理模型的卫星组件温度场预测方法 | |
Huang et al. | Compact and fast machine learning accelerator for IoT devices | |
Benghanem et al. | Optimization of pv cells/modules parameters using a modified quasi-oppositional logistic chaotic rao-1 (QOLCR) algorithm | |
CN112347638B (zh) | 一种基于对偶单元法的三维集成微系统电热耦合分析方法 | |
CN114781207B (zh) | 基于不确定性和半监督学习的热源布局温度场预测方法 | |
CN105808508B (zh) | 一种求解不确定热传导问题的随机正交展开方法 | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
Raghavan et al. | Implicit constraint handling for shape optimisation with pod-morphing | |
CN115438588A (zh) | 一种锂电池的温度预测方法、系统、设备及存储介质 | |
CN114462294A (zh) | 一种两阶段代理模型辅助参数估计方法以及系统 | |
Lin et al. | Smart building uncertainty analysis via adaptive Lasso | |
CN113505929A (zh) | 基于嵌入物理约束深度学习技术的拓扑最优结构预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |