CN114548526A - 基于物理先验的神经网络的卫星组件布局温度场预测方法 - Google Patents
基于物理先验的神经网络的卫星组件布局温度场预测方法 Download PDFInfo
- Publication number
- CN114548526A CN114548526A CN202210098085.6A CN202210098085A CN114548526A CN 114548526 A CN114548526 A CN 114548526A CN 202210098085 A CN202210098085 A CN 202210098085A CN 114548526 A CN114548526 A CN 114548526A
- Authority
- CN
- China
- Prior art keywords
- satellite
- temperature field
- layout
- neural network
- satellite component
- 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
Links
Images
Classifications
-
- 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
- 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
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (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)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (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的神经网络的卫星组件布局温度场预测方法,包括:根据卫星组件的布局特点,建立卫星组件布局的结构模型;获取多个训练数据,并对训练数据进行预处理;根据卫星组件布局温度场服从的热传导稳态方程,构建嵌入物理先验的损失函数;利用在线数据挖掘确定温度场的每个预测点的权重,根据预测点权重更新损失函数,利用区域热通量守恒构建损失函数的正则化项,确定最终损失函数;构建深度神经网络模型,利用预处理后的训练数据和最终损失函数训练深度神经网络模型;利用训练后的深度神经网络模型预测卫星组件布局的温度场。本发明能够利用不带标签的训练数据实现深度神经网络模型的稳定、快速训练,并保证模型的预测精度。
Description
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的神经网络的卫星组件布局温度场预测方法。
背景技术
为实现不同的功能、以及执行各种不同的任务,卫星内部通常集成有大量的组件,组件在正常工作过程中会产生大量热量,如果无法保证组件有效散热,过高的环境温度将会导致组件可靠性降低甚至失效。由于卫星结构和卫星组件散热方式是固定的,目前主要通过调整卫星组件布局以降低卫星组件布局对应的温度场温度,从而实现有效散热。
在进行卫星组件布局优化设计时,为确定最优的卫星组件布局,需要计算不同卫星组件布局对应的温度场。目前,使用两种方法计算不同卫星组件布局对应的温度场。其中,第一种方法是采用有限元法、有限差分法、有限体积法等数值方法对卫星组件布局进行仿真分析,以计算卫星组件布局对应的温度场。第二种方法是利用深度学习代理模型进行卫星组件布局的温度场预测,该方法通过给定一定数量的包括卫星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,得到神经网络代理模型,利用该代理模型预测卫星组件布局对应的温度场。
然而,由于卫星组件布局优化设计是一个反复迭代的过程,采用数值方法对卫星组件布局进行仿真分析以确定对应的温度场,需要耗费大量的计算资源和计算时间,并且计算时间随着计算精度呈指数形式增长。利用深度学习代理模型进行卫星组件布局的温度场预测时,需要利用大量的包括卫星组件布局及其温度场的训练数据训练神经网络模型,由于卫星组件布局对应的温度场的真实数据难以获取,每个训练数据的获取均需要通过利用数值方法对卫星组件布局进行仿真分析,同样会耗费较多的计算资源和计算时间。
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的神经网络的卫星组件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的神经网络的卫星组件布局温度场预测方法,所述方法包括:
根据卫星组件的布局特点,建立卫星组件布局的结构模型;
基于卫星组件布局的结构模型,获取多个训练数据,并对所述训练数据进行预处理,其中,所述训练数据包括卫星组件布局;
根据卫星组件布局温度场服从的热传导稳态方程,构建嵌入物理先验的损失函数;
利用在线数据挖掘确定温度场的每个预测点的权重,根据预测点权重更新损失函数,并利用区域热通量守恒构建损失函数的正则化项,确定最终损失函数;
构建深度神经网络模型,利用预处理后的训练数据和最终损失函数训练所述深度神经网络模型以拟合卫星组件布局与温度场的映射关系;
利用训练后的所述深度神经网络模型预测卫星组件布局的温度场。
在一些可能的实现方式中,根据卫星组件的布局特点,采用以下方式建立卫星组件布局的结构模型:
将卫星组件布局区域设定为方形布局区域,在方形布局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,除散热孔区域外的其余边界绝热,卫星组件分布在方形布局区域的不同位置上,一个卫星组件视为一个热源。
在一些可能的实现方式中,所述获取多个训练数据,包括:
根据卫星组件数量,从方形布局区域中随机挑选对应数量的位置放置卫星组件,得到一个包括卫星组件布局的训练数据,重复多次随机挑选过程,直至获得预设数量的训练数据。
在一些可能的实现方式中,所述对所述训练数据进行预处理,包括:
将卫星组件布局的方形布局区域划分为M1×M2个网格,将卫星组件布局用M1×M2矩阵表示,有组件的网格位置对应的矩阵元素为组件功率,无组件的网格位置对应的矩阵元素为0。
在一些可能的实现方式中,设定M1=M2,构建嵌入物理先验的损失函数为:
其中,Ti,j表示卫星组件布局温度场中第i行第j列网格点处的温度,Δh表示相邻的同行或同列的两个网格点间的距离,Δh=l/m,l表示卫星组件布局区域的边长,m表示卫星组件布局区域划分的网格数,m=M1×M2,φi,j表示卫星组件布局区域中第i行第j列网格点处的组件功率,Ti-1,j表示卫星组件布局温度场中第i-1行第j列网格点处的温度,Ti+1,j表示卫星组件布局温度场中第i+1行第j列网格点处的温度,Ti,j-1表示卫星组件布局温度场中第i行第j-1列网格点处的温度,Ti,j+1表示卫星组件布局温度场中第i行第j+1列网格点处的温度。
在一些可能的实现方式中,预测点的权重设置为:
其中,wi,j表示卫星组件布局温度场中第i行第j列网格点对应的权重,min(T)表示卫星组件布局温度场的最低温度,max(T)表示卫星组件布局温度场的最高温度。
在一些可能的实现方式中,根据预测点权重,损失函数更新为:
在一些可能的实现方式中,损失函数的正则化项设置为:
其中,Ωq表示满足热通量守恒的区域。
在一些可能的实现方式中,深度神经网络模型采用U-net神经网络。
在一些可能的实现方式中,所述方法还包括:
在深度神经网络模型的训练过程中,根据卫星组件布局温度场满足的边界条件,采用硬约束方式对深度神经网络模型输出的预测温度场进行限制处理;
基于处理后的预测温度场计算最终损失函数值。
本发明技术方案的主要优点如下:
本发明的基于物理先验的神经网络的卫星组件布局温度场预测方法通过引入温度场热传导稳态方程构建带物理先验的损失函数,并利用在线数据挖掘确定温度场每个预测点的权重,利用区域热通量守恒构建损失函数的正则化项,能够利用不带标签的训练数据实现深度神经网络模型的稳定、快速训练,能够加速训练收敛速度,提高模型的预测精度,减少训练过程中所需的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的神经网络的卫星组件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一种组件布局区域离散示意图;
图4a、图4b和图4c为三种不同的热通量守恒划分区域示意图;
图5为本发明一实施例的一种深度神经网络模型的训练过程示意图;
图6为本发明一实施例的另一种深度神经网络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的神经网络的卫星组件布局温度场预测方法,该方法包括以下步骤:
S1,根据卫星组件的布局特点,建立卫星组件布局的结构模型;
S2,基于卫星组件布局的结构模型,获取多个训练数据,并对训练数据进行预处理,其中,训练数据包括卫星组件布局;
S3,根据卫星组件布局温度场服从的热传导稳态方程,构建嵌入物理先验的损失函数;
S4,利用在线数据挖掘确定温度场的每个预测点的权重,根据预测点权重更新损失函数,并利用区域热通量守恒构建损失函数的正则化项,确定最终损失函数;
S5,构建深度神经网络模型,利用预处理后的训练数据和最终损失函数训练深度神经网络模型以拟合卫星组件布局与温度场的映射关系;
S6,利用训练后的深度神经网络模型预测卫星组件布局的温度场。
本发明一实施例提供的基于物理先验的神经网络的卫星组件布局温度场预测方法通过引入温度场热传导稳态方程构建带物理先验的损失函数,并利用在线数据挖掘确定温度场每个预测点的权重,利用区域热通量守恒构建损失函数的正则化项,能够利用不带标签的训练数据实现深度神经网络模型的稳定、快速训练,能够加速训练收敛速度,提高模型的预测精度,减少训练过程中所需的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的神经网络的卫星组件布局温度场预测方法的步骤及原理进行具体说明。
步骤S1,根据卫星组件的布局特点,建立卫星组件布局的结构模型。
具体地,卫星组件通常具有如下的布局特点:
卫星组件安装在卫星舱板上,在该卫星舱板上分布着一定数量不同大小、发热功率和功能的卫星组件,卫星组件在工作时会持续产生热量,卫星组件产生的热量通过导热传导至舱板上,再通过热管将热量导出至卫星外部。
参见图2,针对上述的卫星组件的布局特点,采用以下方式建立卫星组件布局的结构模型:
将卫星组件布局区域设定为方形布局区域,在方形布局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,除散热孔区域外的其余边界绝热,卫星组件分布在方形布局区域的不同位置上,一个卫星组件视为一个热源。
由于卫星工作时所处的太空环境为真空环境,不存在对流换热,辐射换热也可以忽略不计,本发明一实施例中,通过在方形布局区域一侧开设一定大小的散热孔,散热孔处温度固定,除散热孔外的方形布局区域的四周边界绝热,以模拟卫星舱板的热管散热方式。
步骤S2,基于卫星组件布局的结构模型,获取多个训练数据,并对训练数据进行预处理,其中,训练数据包括卫星组件布局。
具体地,基于上述的卫星组件布局的结构模型,获取多个训练数据,包括:
根据卫星组件数量,从方形布局区域中随机挑选对应数量的位置放置卫星组件,得到一个包括卫星组件布局的训练数据,重复多次随机挑选过程,直至获得预设数量的训练数据。
其中,训练数据的具体数量可以根据实际要求的模型精度和组件布局优化时间进行确定。例如,训练数据的数量可以为8000、10000等,通常情况下,训练数据越多,模型的训练效果越好,模型的预测精度越高。
进一步地,基于上述获取的训练数据,对训练数据进行预处理,包括:
将卫星组件布局的方形布局区域划分为M1×M2个网格,将卫星组件布局用M1×M2矩阵表示,有组件的网格位置对应的矩阵元素为组件功率,无组件的网格位置对应的矩阵元素为0。
步骤S3,根据卫星组件布局温度场服从的热传导稳态方程,构建嵌入物理先验的损失函数。
根据上述的卫星组件的布局特点和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所示的热传导稳态方程求解;
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表示点(x,y)处的温度,k表示热传导系数,φ(x,y)表示点(x,y)处的组件功率,即热源强度。
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)。
第一类边界条件为恒温边界条件;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n为边界Γ上的法线方向,若q=0,则即为绝热边界条件;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。
本发明一实施例中,散热孔区域满足第一类边界条件,即散热孔区域温度固定,除散热孔区域外其余边界满足第二类边界条件,为绝热边界条件,即除散热孔区域外其余边界的边界变化条件为绝热边界条件。
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嵌入物理先验的损失函数。
具体地,参见图3,由于卫星组件布局区域划分为M1×M2个网格,对于热传导稳态方程,可以采用二阶微分的差分形式表示为:
其中,Ti+1,j表示卫星组件布局温度场中第i+1行第j列网格点处的温度,Ti,j表示卫星组件布局温度场中第i行第j列网格点处的温度,Ti-1,j表示卫星组件布局温度场中第i-1行第j列网格点处的温度,Ti,j+1表示卫星组件布局温度场中第i行第j+1列网格点处的温度,Ti,j-1表示卫星组件布局温度场中第i行第j-1列网格点处的温度,Δx表示同一行相邻的两个网格点的距离,Δy表示同一列相邻的两个网格点的距离。
设定卫星组件布局区域的边长为l,卫星组件布局区域每行和每列具有相同的网格数,即M1=M2,则热传导稳态方程可以表示为:
Δh2·φi,j+Ti-1,j+Ti+1,j+Ti,j-1+Ti,j+1-4Ti,j=0 公式三
其中,φi,j表示卫星组件布局区域中第i行第j列网格点处的组件功率,Δh=Δx=Δy=l/m,m表示卫星组件布局区域划分的网格数,m=M1×M2。
通过离散形式,对于每个网格点处的温度,与其附近网格点处的温度均满足方程上述公式三,因此对于所有网格点能够构成一个线性方程组系统。雅克比迭代是常用的一种求解线性方程组的迭代方法,根据上述公式三可以构造以下的迭代形式:
其中,T′i,j表示迭代后的卫星组件布局温度场中第i行第j列网格点处的温度。
基于上述推导过程,构建嵌入物理先验的损失函数为:
步骤S4,利用在线数据挖掘确定温度场的每个预测点的权重,根据预测点权重更新损失函数,并利用区域热通量守恒构建损失函数的正则化项,确定最终损失函数。
对于预测温度场,期望使得预测温度场中的每一个预测点满足公式四。但是,在训练过程中,每一个预测点的训练难度是不一致的,因此,当对温度场中所有预测点赋予相同的权重计算梯度进行训练时,存在网络收敛速度慢,模型最终的预测精度较低等问题。本发明一实施例中,为了解决不同预测点训练难度不一致的情况,提高训练时的收敛速度,提高模型的预测精度,利用在线数据挖掘方法确定温度场的每个预测点的权重。
具体地,基于上述进行网格划分后的卫星组件布局,预测点的权重设置为:
其中,wi,j表示卫星组件布局温度场中第i行第j列网格点对应的权重,Ti,j表示卫星组件布局温度场中第i行第j列网格点处的温度,max(T)表示卫星组件布局温度场的最高温度,min(T)表示卫星组件布局温度场的最低温度。
根据上述设置的预测点的权重,公式五所示的嵌入物理先验的损失函数更新为:
进一步地,由于卫星在工作时所处的太空环境为真空环境,不存在对流换热,辐射换热也可忽略不计,卫星组件产生的热量通过热传导方式传播。为此,本发明一实施例中,针对卫星组件布局中包括若干个预测点的任意区域内,该区域的热量流入、热量流出和卫星组件产生的热量之间满足以下公式,即流入区域的热量加上区域内卫星组件产生的热量与流出区域的热量相同;
qout=qin+qg 公式八
其中,qout表示流出区域的热量,qin表示流入区域的热量,qg表示区域内卫星组件产生的热量。
参见图4a-图4c,本发明一实施例中,为了进一步加速网络收敛,提高网络模型的训练效率,在深度神经网络模型的训练过程中考虑水平方向区域、垂直方向区域以及方形区域内的热通量守恒,将区域热通量守恒作为训练过程中损失函数的正则化项,以加速深度神经网络模型的训练。
具体地,损失函数的正则化项设置为:
其中,Ωq表示满足热通量守恒的区域。
根据上述更新后的损失函数、以及构建的损失函数的正则化项,得到最终损失函数为:
其中,λ表示损失函数正则化项的权重,λ为一个实数常量的超参数。
步骤S5,构建深度神经网络模型,利用预处理后的训练数据和最终损失函数训练深度神经网络模型以拟合卫星组件布局与温度场的映射关系。
本发明一实施例中,深度神经网络模型采用U-net神经网络,U-net神经网络是一种encoder-decoder的全卷积神经网络结构。其中,编码器用来捕获图像中的上下文信息,对称解码器增加特征图的分辨率最终实现图到图的预测。此外,通过跳跃连接架构,将不同编码器路径和解码器路径上的特征进行融合。
进一步地,参见图5,在确定初始深度神经网络模型后,利用预处理后的训练数据作为深度神经网络模型的输入,得到对应的预测温度场,基于预测温度场,利用确定的最终损失函数计算损失函数值,根据损失函数值以反向传播方式进行深度神经网络模型参数的迭代更新,直至达到设定迭代次数后停止,将训练得到的深度神经网络模型进行保存。其中,训练时的迭代次数可以根据实际要求的预测精度和训练时间进行设置,通常,迭代次数越多,训练得到的深度神经网络模型的预测精度越高,所需的训练时间越长。例如,迭代次数可以设置为50次、60次等。
本发明一实施例中,由于深度神经网络模型输入的训练数据以M1×M2矩阵表示,相应的深度神经网络模型输出的预测温度场也以M1×M2矩阵表示。
步骤S6,利用训练后的深度神经网络模型预测卫星组件布局的温度场。
具体地,在完成深度神经网络模型的训练后,加载深度神经网络模型,将待计算温度场的卫星组件布局输入深度神经网络模型,即可获取卫星组件布局对应的温度场,从而辅助卫星组件布局的优化设计。
进一步地,参见图6,本发明一实施例中,该方法还可以包括:
在深度神经网络模型的训练过程中,根据卫星组件布局温度场满足的边界条件,采用硬约束方式对深度神经网络模型输出的预测温度场进行限制处理;
基于处理后的预测温度场计算最终损失函数值。
本发明一实施例中,卫星组件布局的散热孔区域满足第一类边界条件,除散热孔区域外其余边界满足第二类边界条件,为绝热边界条件。
具体地,针对第一类边界条件作用的散热孔区域,采用恒温值进行填充处理。针对第二类边界条件作用区域,该区域满足以下差分形式:
基于上述的差分形式,在预测温度场的第二类边界条件作用区域填充节点,以使相应的作用区域满足第二类边界条件。
通过对温度场的边界区域进行填充处理,基于填充处理后的预测温度场计算最终损失函数值,进行模型的迭代更新,能够进一步提高训练后的模型的预测精度。
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 (10)
1.一种基于物理先验的神经网络的卫星组件布局温度场预测方法,其特征在于,包括:
根据卫星组件的布局特点,建立卫星组件布局的结构模型;
基于卫星组件布局的结构模型,获取多个训练数据,并对所述训练数据进行预处理,其中,所述训练数据包括卫星组件布局;
根据卫星组件布局温度场服从的热传导稳态方程,构建嵌入物理先验的损失函数;
利用在线数据挖掘确定温度场的每个预测点的权重,根据预测点权重更新损失函数,并利用区域热通量守恒构建损失函数的正则化项,确定最终损失函数;
构建深度神经网络模型,利用预处理后的训练数据和最终损失函数训练所述深度神经网络模型以拟合卫星组件布局与温度场的映射关系;
利用训练后的所述深度神经网络模型预测卫星组件布局的温度场。
2.根据权利要求1所述的基于物理先验的神经网络的卫星组件布局温度场预测方法,其特征在于,根据卫星组件的布局特点,采用以下方式建立卫星组件布局的结构模型:
将卫星组件布局区域设定为方形布局区域,在方形布局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,除散热孔区域外的其余边界绝热,卫星组件分布在方形布局区域的不同位置上,一个卫星组件视为一个热源。
3.根据权利要求2所述的基于物理先验的神经网络的卫星组件布局温度场预测方法,其特征在于,所述获取多个训练数据,包括:
根据卫星组件数量,从方形布局区域中随机挑选对应数量的位置放置卫星组件,得到一个包括卫星组件布局的训练数据,重复多次随机挑选过程,直至获得预设数量的训练数据。
4.根据权利要求3所述的基于物理先验的神经网络的卫星组件布局温度场预测方法,其特征在于,所述对所述训练数据进行预处理,包括:
将卫星组件布局的方形布局区域划分为M1×M2个网格,将卫星组件布局用M1×M2矩阵表示,有组件的网格位置对应的矩阵元素为组件功率,无组件的网格位置对应的矩阵元素为0。
5.根据权利要求4所述的基于物理先验的神经网络的卫星组件布局温度场预测方法,其特征在于,设定M1=M2,构建嵌入物理先验的损失函数为:
其中,Ti,j表示卫星组件布局温度场中第i行第j列网格点处的温度,Δh表示相邻的同行或同列的两个网格点间的距离,Δh=l/m,l表示卫星组件布局区域的边长,m表示卫星组件布局区域划分的网格数,m=M1×M2,φi,j表示卫星组件布局区域中第i行第j列网格点处的组件功率,Ti-1,j表示卫星组件布局温度场中第i-1行第j列网格点处的温度,Ti+1,j表示卫星组件布局温度场中第i+1行第j列网格点处的温度,Ti,j-1表示卫星组件布局温度场中第i行第j-1列网格点处的温度,Ti,j+1表示卫星组件布局温度场中第i行第j+1列网格点处的温度。
9.根据权利要求1至8中任一项所述的基于物理先验的神经网络的卫星组件布局温度场预测方法,其特征在于,深度神经网络模型采用U-net神经网络。
10.根据权利要求1至9中任一项所述的基于物理先验的神经网络的卫星组件布局温度场预测方法,其特征在于,所述方法还包括:
在深度神经网络模型的训练过程中,根据卫星组件布局温度场满足的边界条件,采用硬约束方式对深度神经网络模型输出的预测温度场进行限制处理;
基于处理后的预测温度场计算最终损失函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210098085.6A CN114548526A (zh) | 2022-01-27 | 2022-01-27 | 基于物理先验的神经网络的卫星组件布局温度场预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210098085.6A CN114548526A (zh) | 2022-01-27 | 2022-01-27 | 基于物理先验的神经网络的卫星组件布局温度场预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548526A true CN114548526A (zh) | 2022-05-27 |
Family
ID=81673341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210098085.6A Pending CN114548526A (zh) | 2022-01-27 | 2022-01-27 | 基于物理先验的神经网络的卫星组件布局温度场预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548526A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-01-27 CN CN202210098085.6A patent/CN114548526A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|
Dwivedi et al. | Distributed learning machines for solving forward and inverse problems in partial differential equations | |
US8935140B2 (en) | Generating inviscid and viscous fluid-flow simulations over a surface using a fluid-flow mesh | |
Forrester et al. | Optimization using surrogate models and partially converged computational fluid dynamics simulations | |
Han et al. | An adaptive geometry parametrization for aerodynamic shape optimization | |
Antepara et al. | Parallel adaptive mesh refinement for large-eddy simulations of turbulent flows | |
Ceze et al. | Drag prediction using adaptive discontinuous finite elements | |
JP7431029B2 (ja) | 大規模環境用のマルチインスタンス型シミュレーション | |
Liu et al. | Optimal air distribution design in enclosed spaces using an adjoint method | |
Sharma et al. | Overset meshes for incompressible flows: On preserving accuracy of underlying discretizations | |
Liu et al. | A simple reliability-based topology optimization approach for continuum structures using a topology description function | |
Ivan et al. | Multi-dimensional finite-volume scheme for hyperbolic conservation laws on three-dimensional solution-adaptive cubed-sphere grids | |
CN106446432A (zh) | 一种求解材料大变形的最优输运无网格方法 | |
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 | |
Peng et al. | Robust topology optimization of continuum structures with loading uncertainty using a perturbation method | |
CN113177290A (zh) | 基于深度代理模型归一化的卫星组件温度场预测方法 | |
Zhao et al. | Inverse design of an indoor environment using a CFD-based adjoint method with the adaptive step size for adjusting the design parameters | |
Lee et al. | Development of an optimized trend kriging model using regression analysis and selection process for optimal subset of basis functions | |
Sanjaya et al. | Improving high-order finite element approximation through geometrical warping | |
CN114548526A (zh) | 基于物理先验的神经网络的卫星组件布局温度场预测方法 | |
Zheng et al. | An improved local remeshing algorithm for moving boundary problems | |
Albuquerque et al. | Residual least-squares error estimate for unstructured h-adaptive meshes | |
CN114692347A (zh) | 基于神经网络架构搜索技术的温度场代理模型构建方法 | |
My-Ha et al. | Real-time optimization using proper orthogonal decomposition: Free surface shape prediction due to underwater bubble dynamics | |
Kumar et al. | Modeling moving-boundary problems of solidification and melting adopting an arbitrary Lagrangian-Eulerian approach | |
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 |
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 |