面向组件化航空航天系统物理场预测的组合式嵌入架构

arXiv:2610.00237v1 公告类型：cross 摘要：航天器热设计需要反复评估产热组件的数量和空间布局变化以及热边界条件变化对温度场的影响。高保真数值模拟计算成本高昂，因此难以用于大规模设计筛选。尽管代理模型能够加速温度场预测，但现有方法通常将每种完整构型作为一个整体进行编码，并未显式利用不同构型之间局部物理组成部分的可复用性，这限制了其对训练期间未覆盖的组件数量和组合的预测精度。为解决这一问题，我们提出了 Tree-Structured Factor Composition Network（TFCN），将复杂的航天器热构型分解为可复用的局部物理因子，并采用树结构组合模块，学习与不同因子组合相对应的全局温度场响应。我们在具有规定温度和辐射热流边界条件的二维稳态航天器热分析案例上对 TFCN 进行了评估。模型仅使用包含不超过 15 个产热组件的构型进行训练，并在包含 16—25 个组件的未见构型上进行评估。对于规定温度和辐射热流案例，TFCN 在组件数量分布外测试中的 RMSE 分别达到 4.21 K 和 18.62 K，相较于最强基线方法分别降低了 65.6% 和 33.6%。这些结果表明，TFCN 提升了组件数量变化情况下温度场预测的可靠性，并为快速开展航天器热设计评估和大规模构型筛选提供了一种高效代理模型。