CN114036787A - 基于物理先验自监督学习的卫星组件热布局温度场预测 - Google Patents

基于物理先验自监督学习的卫星组件热布局温度场预测 Download PDF

Info

Publication number
CN114036787A
CN114036787A CN202111176168.4A CN202111176168A CN114036787A CN 114036787 A CN114036787 A CN 114036787A CN 202111176168 A CN202111176168 A CN 202111176168A CN 114036787 A CN114036787 A CN 114036787A
Authority
CN
China
Prior art keywords
layout
training
satellite component
satellite
training data
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.)
Pending
Application number
CN202111176168.4A
Other languages
English (en)
Inventor
龚智强
彭伟
张俊
姚雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Defense Technology Innovation Institute PLA Academy of Military Science
Original Assignee
National Defense Technology Innovation Institute PLA Academy of Military Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Defense Technology Innovation Institute PLA Academy of Military Science filed Critical National Defense Technology Innovation Institute PLA Academy of Military Science
Priority to CN202111176168.4A priority Critical patent/CN114036787A/zh
Publication of CN114036787A publication Critical patent/CN114036787A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于物理先验自监督学习的卫星组件热布局温度场预测方法，包括：建立卫星组件布局的结构模型；基于结构模型，生成多个第一类训练数据和多个第二类训练数据；利用卫星组件布局包含的物理先验信息构建物理先验驱动训练损失函数，基于物理先验驱动训练损失函数，利用第一类训练数据对预设深度学习模型进行预训练，获取预训练模型；利用第二类训练数据对预训练模型进行训练以拟合卫星组件布局与温度场的映射关系，获取预测模型；利用预测模型进行卫星组件布局的温度场预测。本发明能够利用组件布局内含的物理信息和不带标签训练数据的信息，避免对大量带标签训练数据的依赖，减少训练所需的带标签训练数据的数量，降低优化设计成本。

Description

基于物理先验自监督学习的卫星组件热布局温度场预测
技术领域
本发明涉及组件布局优化设计技术领域，具体涉及一种基于物理先验自监督学习的卫星组件热布局温度场预测方法。
背景技术
卫星技术是当前各国竞相发展的技术领域，其中，由于微纳卫星具有体积小、功耗低、开发周期短，并且可编队组网等优点，在科研、国防和商用领域发挥着越来越重要的作用。为实现不同的功能，微纳卫星内部集成有大量的组件，组件在正常工作过程中会产生大量热量。但由于微纳卫星体积小，集成度较高的组件在工作时产生的大量热量会对组件的运行性能和使用寿命造成较大影响。例如，当温度较高时，会使电阻阻值降低，使电容器使用寿命降低，使变压器、扼流圈的绝缘材料性能下降，还会造成焊点变脆、焊点脱落，焊点机械强度降低。为此，在进行卫星设计时，需要考虑组件散热问题。
微纳卫星的散热通常通过散热材料实现，但是较好的散热材料需要较高的成本。为了降低散热成本，优化卫星组件布局以提高散热效果成为另一种可行方式。卫星组件布局优化设计通过调整卫星组件在卫星内的布局方式，来降低稳态温度场温度，从而实现更有效散热。为此，在进行卫星组件布局优化设计时，需要确定不同组件布局对应的稳态温度场。
对于如何确定组件布局的稳态温度场，目前主要采用两种方法，第一种方法是采用数值计算方法来计算组件布局对应的稳态温度场，常用的数值计算方法包括有限差分法和有限元方法等。第二种方法利用基于深度神经网络的代理模型进行组件布局的温度场预测，该方法通过给定一定数量的包括组件布局及其温度场的训练数据，构建和训练深度学习中的神经网络，得到组件布局温度场的深度神经网络代理模型，利用该代理模型预测组件布局对应的温度场。
然而，在实际操作时，数值计算方法需要根据不同组件布局分别计算其稳态温度场，会耗费大量的计算资源，并且所需温度场计算精度越高，相应的计算资源耗费越大，极大地增加了组件布局设计成本。利用基于深度神经网络的代理模型的预测方法虽然能够实现组件布局的温度场的快速预测，从而提高组件布局优化效率，但是为了保证得到的深度神经网络代理模型具有足够的预测精度，需要利用大量的训练数据训练深度神经网络模型，由于卫星研制成本高昂的特点，无法像传统领域(例如图像识别)那样简单获得大量的实验数据集去训练深度神经网络模型，每个训练数据的获取均耗费较多的计算资源和计算时间，极大地增加了组件布局设计成本。
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物理先验自监督学习的卫星组件热布局温度场预测方法。
本发明的技术方案如下：
提供了一种基于物理先验自监督学习的卫星组件热布局温度场预测方法，所述方法包括：
建立卫星组件布局的结构模型；
基于结构模型，生成多个第一类训练数据和多个第二类训练数据，其中，第一类训练数据包括卫星组件布局，第二类训练数据包括卫星组件布局及其对应的温度场；
利用卫星组件布局包含的物理先验信息构建物理先验驱动训练损失函数，基于物理先验驱动训练损失函数，利用第一类训练数据对预设深度学习模型进行预训练，获取预训练模型；
利用第二类训练数据对预训练模型进行训练以拟合卫星组件布局与温度场的映射关系，获取预测模型；
利用预测模型进行卫星组件布局的温度场预测。
在一些可能的实现方式中，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，对方形区域进行网格划分，在方形区域的四边中的一个边上设置一个设定长度的小孔作为散热孔，散热孔区域温度固定；
将一个组件放置在一个网格位置上，根据每个组件在布局中的位置将组件放置在不同的网格位置上。
在一些可能的实现方式中，所述生成多个第一类训练数据和多个第二类训练数据，包括：
随机挑选方形区域中的若干个网格，分别在挑选的若干个网格上放置组件得到一个卫星组件布局，重复多次随机生成过程以得到N个卫星组件布局，从N个卫星组件布局中随机抽取M个卫星组件布局，并确定抽取的每个卫星组件布局对应的温度场，将抽取的卫星组件布局及其对应的温度场作为第二类训练数据，得到M个第二类训练数据，将剩余的卫星组件布局作为第一类训练数据，得到N-M个第一类训练数据，其中，N＞＞M。
在一些可能的实现方式中，所述利用卫星组件布局包含的物理先验信息构建物理先验驱动训练损失函数，包括：
采用卫星组件布局服从的热传导稳态方程作为物理先验信息；
对热传导稳态方程进行归一化处理；
基于归一化处理的热传导稳态方程，构建物理先验驱动训练损失函数。
在一些可能的实现方式中，构建物理先验驱动训练损失函数为：
Figure BDA0003295147430000031
其中，
Figure BDA0003295147430000032
表示(x+1,y)处的温度，
Figure BDA0003295147430000033
表示(x-1,y)处的温度，
Figure BDA0003295147430000034
表示(x,y+1)处的温度，
Figure BDA0003295147430000035
表示(x,y-1)处的温度，
Figure BDA0003295147430000036
表示(x,y)处的温度，
Figure BDA0003295147430000037
表示归一化操作，l表示卫星组件布局对应的方形区域边长，n表示方形区域划分的网格数，m表示归一化常数，
Figure BDA0003295147430000038
φ(x,y)表示(x,y)处的热源强度，(x,y)表示卫星组件布局对应的方形区域二维平面内一点坐标。
在一些可能的实现方式中，深度学习模型采用主体结构为全连接神经网络的神经网络模型。
在一些可能的实现方式中，基于物理先验驱动训练损失函数，利用第一类训练数据作为输入，运用误差反向传播算法对预设深度学习模型进行预训练，获取预训练模型。
在一些可能的实现方式中，基于深度学习Fine-tune技术，采用平均绝对误差作为损失函数，利用第二类训练数据和误差反向传播算法对预训练模型进行训练，获取预测模型。
本发明技术方案的主要优点如下：
本发明的基于物理先验自监督学习的卫星组件热布局温度场预测方法先通过利用组件布局内在的物理先验信息和不带标签训练数据进行无监督学习获取预训练模型，再利用带标签训练数据对预训练模型进行自监督学习获取预测模型，能够有效地利用组件布局内含的物理信息和不带标签训练数据的信息，避免对大量带标签训练数据的依赖，从而减少深度学习模型训练过程中所需的带标签训练数据的数量，减少计算时间和计算资源消耗量，降低组件布局优化设计成本，提高组件布局优化效率。
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物理先验自监督学习的卫星组件热布局温度场预测方法的流程图；
图2为本发明一实施例的一个组件布局的结构示意图；
图3为本发明一实施例的深度学习模型的训练过程示意图。
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。
参见图1，本发明一实施例提供了一种基于物理先验自监督学习的卫星组件热布局温度场预测方法，该方法包括以下步骤：
S1，建立卫星组件布局的结构模型；
S2，基于结构模型，生成多个第一类训练数据和多个第二类训练数据，其中，第一类训练数据包括卫星组件布局，第二类训练数据包括卫星组件布局及其对应的温度场；
S3，利用卫星组件布局包含的物理先验信息构建物理先验驱动训练损失函数，基于物理先验驱动训练损失函数，利用第一类训练数据对预设深度学习模型进行预训练，获取预训练模型；
S4，利用第二类训练数据对预训练模型进行训练以拟合卫星组件布局与温度场的映射关系，获取预测模型；
S5，利用预测模型进行卫星组件布局的温度场预测。
本发明一实施例提供的基于物理先验自监督学习的卫星组件热布局温度场预测方法先通过利用组件布局内在的物理先验信息和不带标签训练数据进行无监督学习获取预训练模型，再利用带标签训练数据对预训练模型进行自监督学习获取预测模型，能够有效地利用组件布局内含的物理信息和不带标签训练数据的信息，避免对大量带标签训练数据的依赖，从而减少深度学习模型训练过程中所需的带标签训练数据的数量，减少计算时间和计算资源消耗量，降低组件布局优化设计成本，提高组件布局优化效率。
以下对本发明一实施例提供的基于物理先验自监督学习的卫星组件热布局温度场预测方法的各个步骤及原理进行具体说明。
步骤S1，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，建立卫星组件布局的结构模型。
参见图2，本发明一实施例中，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具有不同功能的卫星组件，卫星组件在正常工作时会产生一定功耗，可视为热源；卫星组件采用自然散热的方式进行散热，在卫星组件布局一侧开设有设定大小的散热孔，散热孔处温度恒定，除散热孔外，卫星组件布局四周绝热。
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，在方形区域的四边中的一个边上设置一个设定长度的小孔作为散热孔，散热孔区域温度固定；
将一个组件放置在一个网格位置上，根据每个组件在布局中的位置将组件放置在不同的网格位置上。
其中，例如将方形区域划分为n1×n1个网格。
本发明一实施例中，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。
步骤S2，基于结构模型，生成多个第一类训练数据和多个第二类训练数据，其中，第一类训练数据包括卫星组件布局，第二类训练数据包括卫星组件布局及其对应的温度场。
具体地，基于上述建立的卫星组件布局的结构模型，生成多个第一类训练数据和多个第二类训练数据，包括：
随机挑选方形区域中的若干个网格，分别在挑选的若干个网格上放置组件得到一个卫星组件布局，重复多次随机生成过程以得到N个卫星组件布局，从N个卫星组件布局中随机抽取M个卫星组件布局，并确定抽取的每个卫星组件布局对应的温度场，将抽取的卫星组件布局及其对应的温度场作为第二类训练数据，得到M个第二类训练数据，将剩余的卫星组件布局作为第一类训练数据，得到N-M个第一类训练数据，其中，N＞＞M。
可选的，N＝49M。
进一步地，本发明一实施例中，步骤S2还可以包括：生成多个测试集，其中，测试集包括卫星组件布局及其对应的温度场。
本发明一实施例中，测试集用于评估最终得到的预测模型的泛化能力。
具体地，生成多个测试集，包括：
随机挑选方形区域中的若干个网格，分别在挑选的若干个网格上放置组件得到一个卫星组件布局，并确定卫星组件布局对应的温度场，重复多次随机生成过程以得到L个测试集。
可选的，L＞M。例如，L＝9M。
本发明一实施例中，步骤S2中，可以利用数值计算方法计算确定卫星组件布局对应的温度场，数值计算方法例如可以为有限元法、有限差分法或有限体积法；也可以使用fenics求解器求解确定卫星组件布局对应的温度场。
由于训练数据的数量越多，训练后的深度学习模型的预测精度越高，但训练数据的数量越多，则相应的计算工作量越大。可选的，本发明一实施例中，第一训练数据的数量设置为49000个，第二训练数据的数量设置为1000个，测试集的数量设置为9000个。
步骤S3，利用卫星组件布局包含的物理先验信息构建物理先验驱动训练损失函数，基于物理先验驱动训练损失函数，利用第一类训练数据对预设深度学习模型进行预训练，获取预训练模型。
本发明一实施例中，卫星组件布局温度场预测为映射问题，基于上述的卫星组件布局的结构模型，设定卫星组件布局温度场不随时间变化，则卫星组件布局温度场可以通过以下公式一所示的热传导稳态方程求解；
Figure BDA0003295147430000061
其中，(x,y)表示卫星组件布局区域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，φ(x,y)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,y)表示一个网格的位置坐标。
根据边界散热条件的不同，温度场满足不同的边界条件。边界条件分为三种，包括第一类边界条件(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)。
本发明一实施例中，散热孔区域满足第一类边界条件，第一类边界条件又称为恒温边界条件，即散热孔区域温度固定，除散热孔外其余边界满足第二类边界条件。第二类边界条件规定了边界的热流密度值，边界的热流密度值设为定值q，即
Figure BDA0003295147430000062
n为边界Γ上的法线方向，若q＝0，则
Figure BDA0003295147430000071
即为绝热边界条件。本发明一实施例中，除散热孔外其余边界的边界变化条件为绝热边界条件。第三种边界条件则规定了边界上物体与周围流体间的表面传热系数以及周围流体的温度。
由于卫星组件布局温度场服从热传导稳态方程，本发明一实施例中，采用热传导稳态方程作为物理先验信息构建物理先验驱动训练损失函数。
具体地，针对公式一所示的热传导方程，设定：
Figure BDA0003295147430000072
则对热传导方程求解的问题即可转为最小化|S0|的问题。本发明一实施例中，设定：热传导系数k＝1，对热源强度φ(x,y)除以m作为归一化处理可得到系统输入Input(x,y)，则公式二可进一步推导为：
Figure BDA0003295147430000073
其中，Tx,y表示位置坐标为x和y的点处的温度，Tx+1,y表示位置坐标为x+1和y的点处的温度，Tx-1,y表示位置坐标为x-1和y的点处的温度，Tx,y+1表示位置坐标为x和y+1的点处的温度，Tx,y-1表示位置坐标为x和y-1的点处的温度，m表示归一化常数，用于归一化神经网络输入。
其中，由于卫星组件布局设定为方形网格区域，假设方形网格区域的边长为l，网格数为n，n＝n1×n1，则Δx＝Δy＝l/x。
进一步地，公式三可推导为：
Figure BDA0003295147430000074
对公式四进行归一化操作，可得：
Figure BDA0003295147430000081
其中，
Figure BDA0003295147430000082
表示归一化操作，T0表示散热孔处温度。
基于上述归一化处理过程，构建物理先验驱动训练损失函数为：
Figure BDA0003295147430000083
设定热源输出的温度为
Figure BDA0003295147430000084
则物理先验驱动训练损失函数可改写为：
Figure BDA0003295147430000085
其中，
Figure BDA0003295147430000086
表示(x+1,y)处的温度，
Figure BDA0003295147430000087
表示(x-1,y)处的温度，
Figure BDA0003295147430000088
表示(x,y+1)处的温度，
Figure BDA0003295147430000089
表示(x,y-1)处的温度，
Figure BDA00032951474300000810
表示(x,y)处的温度。
进一步地，本发明一实施例中，深度学习模型采用主体结构为全连接神经网络(Fully Convolutional Networks，FCN)的神经网络模型，全连接神经网络以卫星组件布局为输入，分为特征提取的下采样过程以及预测的上采样过程，训练过程中通过将不同层提取的特征图上采样融合与映射，输出温度场预测结果。
本发明一实施例中，深度学习模型的输入为n1×n1网格尺度下的卫星组件布局，每个网格的数值表明了该网格位置是否存在热源及热源对应的强度。
进一步地，参见图3，在确定物理先验驱动训练损失函数和深度学习模型结构后，基于构建的物理先验驱动训练损失函数，利用第一类训练数据作为输入，运用误差反向传播算法对深度学习模型进行训练，直到训练达到设定训练次数后停止，将训练得到的深度学习模型作为预训练模型进行保存。
其中，FCN的训练过程分为三个步骤，包括FCN-32s、FCN-16s和FCN-8s训练过程。
可选的，训练迭代次数可以设置为50次。
步骤S4，利用第二类训练数据对预训练模型进行训练以拟合卫星组件布局与温度场的映射关系，获取预测模型。
具体地，基于深度学习Fine-tune技术，采用平均绝对误差MAE作为损失函数，利用第二类训练数据和误差反向传播算法对步骤S3获得的预训练模型进行训练，直到训练达到设定训练次数后停止，得到最终的预测模型。
可选的，训练迭代次数可以设置为50次。
步骤S5，利用预测模型进行卫星组件布局的温度场预测。
具体地，在得到最终的预测模型后，加载预测模型，将待计算温度场的卫星组件布局输入预测模型，获取卫星组件布局对应的温度场分布，从而辅助卫星组件布局的优化设计。
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 (8)

1.一种基于物理先验自监督学习的卫星组件热布局温度场预测方法，其特征在于，包括：
建立卫星组件布局的结构模型；
基于结构模型，生成多个第一类训练数据和多个第二类训练数据，其中，第一类训练数据包括卫星组件布局，第二类训练数据包括卫星组件布局及其对应的温度场；
利用卫星组件布局包含的物理先验信息构建物理先验驱动训练损失函数，基于物理先验驱动训练损失函数，利用第一类训练数据对预设深度学习模型进行预训练，获取预训练模型；
利用第二类训练数据对预训练模型进行训练以拟合卫星组件布局与温度场的映射关系，获取预测模型；
利用预测模型进行卫星组件布局的温度场预测。
2.根据权利要求1所述的基于物理先验自监督学习的卫星组件热布局温度场预测方法，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，对方形区域进行网格划分，在方形区域的四边中的一个边上设置一个设定长度的小孔作为散热孔，散热孔区域温度固定；
将一个组件放置在一个网格位置上，根据每个组件在布局中的位置将组件放置在不同的网格位置上。
3.根据权利要求2所述的基于物理先验自监督学习的卫星组件热布局温度场预测方法，其特征在于，所述生成多个第一类训练数据和多个第二类训练数据，包括：
随机挑选方形区域中的若干个网格，分别在挑选的若干个网格上放置组件得到一个卫星组件布局，重复多次随机生成过程以得到N个卫星组件布局，从N个卫星组件布局中随机抽取M个卫星组件布局，并确定抽取的每个卫星组件布局对应的温度场，将抽取的卫星组件布局及其对应的温度场作为第二类训练数据，得到M个第二类训练数据，将剩余的卫星组件布局作为第一类训练数据，得到N-M个第一类训练数据，其中，N＞＞M。
4.根据权利要求3所述的基于物理先验自监督学习的卫星组件热布局温度场预测方法，其特征在于，所述利用卫星组件布局包含的物理先验信息构建物理先验驱动训练损失函数，包括：
采用卫星组件布局服从的热传导稳态方程作为物理先验信息；
对热传导稳态方程进行归一化处理；
基于归一化处理的热传导稳态方程，构建物理先验驱动训练损失函数。
5.根据权利要求4所述的基于物理先验自监督学习的卫星组件热布局温度场预测方法，其特征在于，构建物理先验驱动训练损失函数为：
Figure FDA0003295147420000021
其中，
Figure FDA0003295147420000022
表示(x+1,y)处的温度，
Figure FDA0003295147420000023
表示(x-1,y)处的温度，
Figure FDA0003295147420000024
表示(x,y+1)处的温度，
Figure FDA0003295147420000025
表示(x,y-1)处的温度，
Figure FDA0003295147420000026
表示(x,y)处的温度，
Figure FDA0003295147420000027
表示归一化操作，l表示卫星组件布局对应的方形区域边长，n表示方形区域划分的网格数，m表示归一化常数，
Figure FDA0003295147420000028
φ(x,y)表示(x,y)处的热源强度，(x,y)表示卫星组件布局对应的方形区域二维平面内一点坐标。
6.根据权利要求5所述的基于物理先验自监督学习的卫星组件热布局温度场预测方法，其特征在于，深度学习模型采用主体结构为全连接神经网络的神经网络模型。
7.根据权利要求6所述的基于物理先验自监督学习的卫星组件热布局温度场预测方法，其特征在于，基于物理先验驱动训练损失函数，利用第一类训练数据作为输入，运用误差反向传播算法对预设深度学习模型进行预训练，获取预训练模型。
8.根据权利要求7所述的基于物理先验自监督学习的卫星组件热布局温度场预测方法，其特征在于，基于深度学习Fine-tune技术，采用平均绝对误差作为损失函数，利用第二类训练数据和误差反向传播算法对预训练模型进行训练，获取预测模型。
CN202111176168.4A 2021-10-09 2021-10-09 基于物理先验自监督学习的卫星组件热布局温度场预测 Pending CN114036787A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111176168.4A CN114036787A (zh) 2021-10-09 2021-10-09 基于物理先验自监督学习的卫星组件热布局温度场预测

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111176168.4A CN114036787A (zh) 2021-10-09 2021-10-09 基于物理先验自监督学习的卫星组件热布局温度场预测

Publications (1)

Publication Number Publication Date
CN114036787A true CN114036787A (zh) 2022-02-11

Family

ID=80134865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111176168.4A Pending CN114036787A (zh) 2021-10-09 2021-10-09 基于物理先验自监督学习的卫星组件热布局温度场预测

Country Status (1)

Country Link
CN (1) CN114036787A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114722732A (zh) * 2022-06-09 2022-07-08 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
CN114781207A (zh) * 2022-03-29 2022-07-22 中国人民解放军军事科学院国防科技创新研究院 基于不确定性和半监督学习的热源布局温度场预测方法
CN116186978A (zh) * 2022-12-07 2023-05-30 中国人民解放军军事科学院国防科技创新研究院 数据和物理双驱动的飞行器复杂几何区域温度场预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781207A (zh) * 2022-03-29 2022-07-22 中国人民解放军军事科学院国防科技创新研究院 基于不确定性和半监督学习的热源布局温度场预测方法
CN114781207B (zh) * 2022-03-29 2024-04-12 中国人民解放军军事科学院国防科技创新研究院 基于不确定性和半监督学习的热源布局温度场预测方法
CN114722732A (zh) * 2022-06-09 2022-07-08 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
CN116186978A (zh) * 2022-12-07 2023-05-30 中国人民解放军军事科学院国防科技创新研究院 数据和物理双驱动的飞行器复杂几何区域温度场预测方法
CN116186978B (zh) * 2022-12-07 2024-06-11 中国人民解放军军事科学院国防科技创新研究院 数据和物理双驱动的飞行器复杂几何区域温度场预测方法

Similar Documents

Publication Publication Date Title
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
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
US10699043B2 (en) Generating integrated circuit floorplans using neural networks
JP6971320B2 (ja) ニューラルネットワークに基づいた回路設計の物理合成
Sun et al. Modeling of the evaporation and condensation phase-change problems with FLUENT
CN112257321B (zh) 基于无监督学习的卫星组件温度场确定方法
Kavvadias et al. The continuous adjoint approach to the k–ω SST turbulence model with applications in shape optimization
Christelis et al. Pumping optimization of coastal aquifers using seawater intrusion models of variable-fidelity and evolutionary algorithms
Shobeiri Topology optimization using bi-directional evolutionary structural optimization based on the element-free Galerkin method
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
CN112733275B (zh) 基于半监督学习的卫星组件热布局温度场预测方法
US11914931B2 (en) Predicting on chip transient thermal response in a multi-chip system using an RNN-based predictor
Oxley et al. Makespan and energy robust stochastic static resource allocation of a bag-of-tasks to a heterogeneous computing system
Xing et al. Fixture layout optimisation based on a non-domination sorting social radiation algorithm for auto-body parts
CN111783331A (zh) 基于迁移学习的卫星组件温度场确定方法
Park et al. Conceptual design of efficient heat conductors using multi-material topology optimization
CN113221326B (zh) 基于teacher-student代理模型的卫星组件温度场预测方法
Al Khalil et al. A design and optimization framework of variable-density lattice structures for additive manufacturing
Zheng et al. An improved local remeshing algorithm for moving boundary problems
Tsui et al. A finite-volume-based approach for dynamic fluid-structure interaction
Udaykumar et al. Adaptively refined, parallelised sharp interface Cartesian grid method for three-dimensional moving boundary problems
Li et al. On identifying optimal heat conduction topologies from heat transfer paths analysis
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
Dong et al. Worst-case power integrity prediction using convolutional neural network
Raghavan et al. Implicit constraint handling for shape optimisation with pod-morphing

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