Data-driven thermal analysis aiming for high-precision digital twin of spacecraft thermal systems

数据驱动的热分析，旨在实现航天器热系统的高精度数字孪生

基本信息

批准号：
22KJ0252
负责人：
田中寛人
金额：
$ 1.02万
依托单位：
Japan Aerospace EXploration Agency (2023)Tohoku University (2022)
依托单位国家：
日本
项目类别：
Grant-in-Aid for JSPS Fellows
财政年份：
2023
资助国家：
日本
起止时间：
2023-03-08 至 2024-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22KJ0252/
关键词：
宇宙機熱解析機械学習状態推定サロゲートモデル

项目摘要

熱解析は宇宙機にとって極めて重要な工程であるにもかかわらず，モデルや解析条件には多くの不確かさが内在することが課題であった．そこで，機械学習を導入することで温度状態の推定および予測を行う２つの研究を実施した．1つめの課題は限られた温度センサ情報を用いてシステム全体の温度分布を推定することである．Physics Informed Machine Learning: PIMLを用いて物理モデルの保存則を満たしつつ，取得された温度データを反映した温度分布を求める手法を提案した．また，定常場に対するデータ同化手法である最適内装法と比較して事前情報なしに同等精度の温度推定が可能であることを示した．これにより，温度予測誤差の原因に関する情報なしに高精度に温度分布の推定が可能となった点において技術的な進歩があった．2つ目の課題はシステム全体の温度分布を高速演算するサロゲートモデルの構築である．本研究ではPIMLを用いて物理モデルの制約を課すことで訓練データ数を飛躍的に小さく抑えたサロゲートモデルを作成することを目的とした．そこで温度分布の固有モード（PODモード）を用いたデータの縮約により，大規模なモデル全体の温度分布を求めるPOD-PIMLを提案した．これにより従来の熱サロゲートモデルとは異なり，システム全体の温度分布を即座に求めることが可能となった．提案手法は不確かさに対して冗長な熱設計，熱解析の新しい手法を導入するための基幹技術である．

尽管热分析对于航天器来说是极其重要的过程，但问题是模型和分析条件固有的许多不确定性。因此，我们进行了两项研究，通过引入机器学习来估计和预测温度条件。第一个挑战是使用有限的温度传感器信息来估计整个系统的温度分布。物理信息机器学习：我们提出了一种使用 PIML 来获取温度分布的方法，该方法反映了获取的温度数据，同时满足物理模型的守恒定律。此外，与最佳内部方法（稳定场的数据同化方法）相比，表明可以在没有先验信息的情况下以相同的精度估计温度。这是一项技术进步，因为无需了解温度预测误差的原因，就可以高精度地估计温度分布。第二个挑战是构建一个可以快速计算整个系统温度分布的替代模型。本研究的目的是创建一个代理模型，通过使用 PIML 对物理模型施加约束来显着减少训练数据量。因此，我们提出了POD-PIML，利用温度分布的本征模（POD模式）减少数据来计算整个大尺度模型的温度分布。与传统的热替代模型不同，这使得可以立即确定整个系统的温度分布。该方法是引入新的热设计和热分析方法的核心技术，这些方法在不确定性方面是冗余的。