基于多保真深度学习代理模型的组件布局温度场预测方法技术

本发明专利技术公开了一种基于多保真深度学习代理模型的组件布局温度场预测方法，包括：获取低保真训练数据和高保真训练数据；对训练数据进行预处理；构建包括主体神经网络、连接在主体神经网络输出端的低保真映射模块和高保真映射模块的多保真深度学习代理模型；将高保真映射模块设置为关闭状态，利用低保真训练数据对多保真深度学习代理模型进行训练；将低保真映射模块设置为关闭状态，将高保真映射模块设置为打开状态，利用高保真训练数据对多保真深度学习代理模型进行训练以更新模型参数；将训练得到的多保真深度学习代理模型作为最终代理模型进行温度场的预测。本发明专利技术能够在保证模型具有高预测精度的情况下，显著降低模型训练对于高保真数据的需求。对于高保真数据的需求。对于高保真数据的需求。

【技术实现步骤摘要】
基于多保真深度学习代理模型的组件布局温度场预测方法


[0001]本专利技术涉及组件布局优化设计
，具体涉及一种基于多保真深度学习代理模型的组件布局温度场预测方法。

技术介绍

[0002]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。
[0003]在进行卫星组件布局优化设计时，需要计算不同卫星组件布局对应的温度场。目前，主要使用两种方法计算卫星组件布局对应的温度场。其中，第一种方法是对卫星组件布局进行建模，然后采用有限元法、有限差分法、有限体积法等数值计算方法对卫星组件布局进行仿真分析，以获取卫星组件布局对应的温度场。第二种方法是构建深度学习代理模型，采用大量高精度样本数据对代理模型进行训练，然后直接利用训练后的深度学习代理模型进行卫星组件布局的温度场预测。
[0004]然而，由于卫星组件布局优化设计是一个反复迭代的过程，现有的利用数值计算方法对卫星组件布局进行仿真分析以确定对应的温度场的方法，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，难以满足快速迭代优化设计的需求。现有的利用深度学习代理模型进行卫星组件布局的温度场预测的方法，需要利用大量高精度样本数据来训练深度学习代理模型，由于卫星组件布局对应的温度场的真实数据难以获取，每个高精度样本数据同样需要通过仿真实验和数值计算的方式来获取，在准备样本数据阶段需要耗费较多的计算资源和计算时间。

技术实现思路

[0005]为解决上述现有技术中存在的部分或全部技术问题，本专利技术提供一种基于多保真深度学习代理模型的组件布局温度场预测方法。
[0006]本专利技术的技术方案如下：
[0007]提供了一种基于多保真深度学习代理模型的组件布局温度场预测方法，所述方法包括：
[0008]获取低保真训练数据和高保真训练数据，其中，所述低保真训练数据包括较低精度的组件布局及组件布局对应的温度场，所述高保真训练数据包括较高精度的组件布局及组件布局对应的温度场；
[0009]对所述低保真训练数据和所述高保真训练数据进行预处理；
[0010]构建多保真深度学习代理模型，其中，所述多保真深度学习代理模型包括主体神经网络、以及分别连接在主体神经网络输出端的低保真映射模块和高保真映射模块；
[0011]将所述高保真映射模块设置为关闭状态，对所述多保真深度学习代理模型进行初
始化，利用所述低保真训练数据对所述多保真深度学习代理模型进行训练以更新模型参数；
[0012]将当前训练后的所述多保真深度学习代理模型的所述低保真映射模块设置为关闭状态，将所述高保真映射模块设置为打开状态，对所述高保真映射模块的参数进行初始化，利用所述高保真训练数据对所述多保真深度学习代理模型进行训练以更新模型参数；
[0013]将训练得到的所述多保真深度学习代理模型作为最终代理模型以进行温度场的预测。
[0014]在一些可能的实现方式中，所述获取低保真训练数据和高保真训练数据，包括：
[0015]对组件布局区域进行网格划分，根据组件数量随机挑选对应数量的网格放置组件得到一个组件布局，利用有限元方法仿真计算组件布局对应的温度场，得到一个包括组件布局及组件布局对应的温度场的低保真训练数据，重复多次随机获取过程直至获得第一预设数量的低保真训练数据；
[0016]对组件布局区域进行网格划分，根据组件数量随机挑选对应数量的网格放置组件得到一个组件布局，利用有限元方法仿真计算组件布局对应的温度场，得到一个包括组件布局及组件布局对应的温度场的高保真训练数据，重复多次随机获取过程直至获得第二预设数量的高保真训练数据，其中，获取所述高保真训练数据时组件布局所划分的网格数大于获取所述低保真训练数据时组件布局所划分的网格数。
[0017]在一些可能的实现方式中，若组件布局区域为方形，在获取所述低保真训练数据时，将组件布局区域划分为M1×
M2个网格进行布局，将组件布局划分为N1×
N2个有限元计算网格进行仿真计算；
[0018]在获取所述高保真训练数据时，将组件布局区域划分为M
′1×
M
′2个网格进行布局，将组件布局划分为N
′1×
N
′2个有限元计算网格进行仿真计算，其中，M
′1×
M
′2＞M1×
M2，N
′1×
N
′2＞N1×
N2。
[0019]在一些可能的实现方式中，所述对所述低保真训练数据和所述高保真训练数据进行预处理，包括：
[0020]将所述低保真训练数据的组件布局用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；
[0021]将所述高保真训练数据的组件布局用M
′1×
M
′2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。
[0022]在一些可能的实现方式中，所述多保真深度学习代理模型的主体神经网络为U
‑
net神经网络。
[0023]在一些可能的实现方式中，所述低保真映射模块包括一个卷积层，所述低保真映射模块用于将所述主体神经网络输出的特征图映射为温度场图像。
[0024]在一些可能的实现方式中，所述高保真映射模块包括依次连接的两个上采样层、卷积层和卷积块，所述高保真映射模块用于将所述主体神经网络输出的尺寸较小的特征图映射为尺寸较大的温度场图像。
[0025]在一些可能的实现方式中，采用何凯明初始化方法对所述多保真深度学习代理模型进行初始化。
[0026]在一些可能的实现方式中，在利用所述低保真训练数据对所述多保真深度学习代
理模型进行训练时，损失函数设置为：
[0027][0028]其中，N表示输入多保真深度学习代理模型的低保真训练数据数量，和表示预处理后的第i个低保真训练数据的组件布局和温度场，表示多保真深度学习代理模型输出的第i个低保真训练数据的组件布局对应的预测温度场。
[0029]在一些可能的实现方式中，在利用所述高保真训练数据对所述多保真深度学习代理模型进行训练时，损失函数设置为：
[0030][0031]其中，N
′
表示输入多保真深度学习代理模型的高保真训练数据数量，和表示预处理后的第i个高保真训练数据的组件布局和温度场，表示多保真深度学习代理模型输出的第i个高保真训练数据的组件布局对应的预测温度场。
[0032]本专利技术技术方案的主要优点如下：
[0033]本专利技术的基于多保真深度学习代理模型的组件布局温度场预测方法通过构建包括低本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多保真深度学习代理模型的组件布局温度场预测方法，其特征在于，包括：获取低保真训练数据和高保真训练数据，其中，所述低保真训练数据包括较低精度的组件布局及组件布局对应的温度场，所述高保真训练数据包括较高精度的组件布局及组件布局对应的温度场；对所述低保真训练数据和所述高保真训练数据进行预处理；构建多保真深度学习代理模型，其中，所述多保真深度学习代理模型包括主体神经网络、以及分别连接在主体神经网络输出端的低保真映射模块和高保真映射模块；将所述高保真映射模块设置为关闭状态，对所述多保真深度学习代理模型进行初始化，利用所述低保真训练数据对所述多保真深度学习代理模型进行训练以更新模型参数；将当前训练后的所述多保真深度学习代理模型的所述低保真映射模块设置为关闭状态，将所述高保真映射模块设置为打开状态，对所述高保真映射模块的参数进行初始化，利用所述高保真训练数据对所述多保真深度学习代理模型进行训练以更新模型参数；将训练得到的所述多保真深度学习代理模型作为最终代理模型以进行温度场的预测。2.根据权利要求1所述的基于多保真深度学习代理模型的组件布局温度场预测方法，其特征在于，所述获取低保真训练数据和高保真训练数据，包括：对组件布局区域进行网格划分，根据组件数量随机挑选对应数量的网格放置组件得到一个组件布局，利用有限元方法仿真计算组件布局对应的温度场，得到一个包括组件布局及组件布局对应的温度场的低保真训练数据，重复多次随机获取过程直至获得第一预设数量的低保真训练数据；对组件布局区域进行网格划分，根据组件数量随机挑选对应数量的网格放置组件得到一个组件布局，利用有限元方法仿真计算组件布局对应的温度场，得到一个包括组件布局及组件布局对应的温度场的高保真训练数据，重复多次随机获取过程直至获得第二预设数量的高保真训练数据，其中，获取所述高保真训练数据时组件布局所划分的网格数大于获取所述低保真训练数据时组件布局所划分的网格数。3.根据权利要求2所述的基于多保真深度学习代理模型的组件布局温度场预测方法，其特征在于，若组件布局区域为方形，在获取所述低保真训练数据时，将组件布局区域划分为M1×
M2个网格进行布局，将组件布局划分为N1×
N2个有限元计算网格进行仿真计算；在获取所述高保真训练数据时，将组件布局区域划分为M
′1×
M
′2个网格进行布局，将组件布局划分为N
′1×
N
′2个有限元计算网格进行仿真计算，其中，M
′1×
M
′2＞M1×
M2，N
′1×<...

【专利技术属性】
技术研发人员：姜廷松，张云阳，龚智强，周炜恩，李星辰，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
类型：发明
国别省市：