Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator

要約

空気のない天体の表面探査など、複雑な宇宙ミッションの熱状態のモデル化には、宇宙船設計のための地上解析で使用する場合でも、自律運用のための機内推論で使用する場合でも、高度な計算が必要です。
たとえば、数百の要素を含む有限要素熱モデルはシミュレーションにかなりの時間がかかる可能性があるため、降下と着陸、近接操作、宇宙での組み立てなど、時間に敏感なシナリオでの機内推論には適していません。
さらに、高速かつ正確な熱モデリングが欠如しているため、熱設計はより保守的なものになり、宇宙船の質量と電力バジェットが大きくなります。
物理情報に基づく機械学習 (PIML) の新たなパラダイムは、単純化された物理モデルと機械学習 (ML) モデルを組み合わせて、解釈可能性と堅牢性の両方を維持するモデルを生成することで、この課題に対処するハイブリッド モデリング アーキテクチャのクラスを提示します。
このような技術により、オンボードの熱状態の推定と制御を通じて質量と電力を削減した設計が可能になり、計画外のダウンタイムを含む公称外の状態のオンボード処理の向上につながる可能性があります。
ここで紹介する PIML モデルまたはハイブリッド モデルは、軌道上の熱負荷条件を考慮してノード化の減少 (粗いメッシュの分布とサイズ) を予測するニューラル ネットワークで構成され、その後、(比較的粗い) 有限差分モデルがこのメッシュ上で動作して予測されます。
熱状態。
ハイブリッド モデルの計算パフォーマンスと精度を、データ駆動型ニューラル ネットワーク モデルおよびプロトタイプの地球周回小型宇宙船の高忠実度有限差分モデルと比較します。
PIML ベースのアクティブ ノーダライゼーション アプローチは、ニューラル ネット モデルや粗いメッシュ モデルよりも大幅に優れた一般化を実現し、高忠実度モデルと比較して計算コストを最大 1.7 倍削減します。

要約(オリジナル)

Modeling thermal states for complex space missions, such as the surface exploration of airless bodies, requires high computation, whether used in ground-based analysis for spacecraft design or during onboard reasoning for autonomous operations. For example, a finite-element thermal model with hundreds of elements can take significant time to simulate, which makes it unsuitable for onboard reasoning during time-sensitive scenarios such as descent and landing, proximity operations, or in-space assembly. Further, the lack of fast and accurate thermal modeling drives thermal designs to be more conservative and leads to spacecraft with larger mass and higher power budgets. The emerging paradigm of physics-informed machine learning (PIML) presents a class of hybrid modeling architectures that address this challenge by combining simplified physics models with machine learning (ML) models resulting in models which maintain both interpretability and robustness. Such techniques enable designs with reduced mass and power through onboard thermal-state estimation and control and may lead to improved onboard handling of off-nominal states, including unplanned down-time. The PIML model or hybrid model presented here consists of a neural network which predicts reduced nodalizations (distribution and size of coarse mesh) given on-orbit thermal load conditions, and subsequently a (relatively coarse) finite-difference model operates on this mesh to predict thermal states. We compare the computational performance and accuracy of the hybrid model to a data-driven neural net model, and a high-fidelity finite-difference model of a prototype Earth-orbiting small spacecraft. The PIML based active nodalization approach provides significantly better generalization than the neural net model and coarse mesh model, while reducing computing cost by up to 1.7x compared to the high-fidelity model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google