基于PIML的月球机动车快速热制图方法
机器学习
2026-05-28 v1
摘要
在极端热环境中运行的自主空间系统需要准确且高效的热建模，以支持任务前的系统设计和 onboard 自主性。对于月球机动车而言，大温度梯度、辐射热传递以及可变表面条件使得可靠的热预测尤其具有挑战性。高保真度基于物理的仿真提供准确结果但计算昂贵，而简化模型和查找表方法常缺乏足够的准确性。物理信息机器学习 (PIML) 提出了一种以数据驱动模型为导向、嵌入物理知识的有前景的替代方案。本文提出了一种用于简化月球机动车（内部有热源）热分析的PIML框架，其中机器学习使环境自适应粗网格化。该方法论体系集成了一个迁移神经网络 (TNN)，其根据热负荷和初始条件自适应确定三维有限差分节点化，从而实现更精确的粗网格计算。该框架嵌入一个可微分的有限差分热模拟器，以强制物理一致性并支持高效训练，同时通过上采样层从粗网格解重建高分辨率温度场。该PIML方法在与高保真细网格仿真、低保真固定粗网格模型以及纯数据驱动的人工神经网络 (ANN) 进行评估后表明，该PIML框架在预测准确性上相对于粗网格物理模型提高了50%，相对于ANN模型提高了39%，同时保持物理一致的热分布。计算上，该框架比高保真仿真快3倍，展示了在月球机动车系统热建模中在准确性和效率之间有效的平衡。
引用
@article{arxiv.2605.27651,
title = {Faster Thermal Profiling of a Lunar Rover with Machine Learning Adapted Finite Difference Model},
author = {Samuel Weber and Zaki Hasnain and Souma Chowdhury},
journal= {arXiv preprint arXiv:2605.27651},
year = {2026}
}