研究人员开发了一种新颖的物理信息机器学习（PIML）框架，以改进月球探测器的热建模。该方法集成了一个迁移神经网络（TNN），该网络根据热负荷自适应地确定网格节点划分，从而用更粗糙的网格提高准确性。嵌入了一个可微分的有限差分热模拟器，以实现物理一致性和高效训练，并使用一个上采样层重建高分辨率温度场。与传统的粗网格模型相比，PIML框架在预测准确性方面提高了50%，并且比高保真模拟快3倍。 AI
影响 该PIML框架能够为自主空间系统实现更高效、更准确的热管理，有可能提高任务的可靠性和设计。
排序理由 这是一篇详细介绍新热建模方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Artificial Neural Network
- Machine Learning
- Physics-Informed Machine Learning
- Transfer Neural Network
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
