Data-driven thermal analysis aiming for high-precision digital twin of spacecraft thermal systems

熱解析は宇宙機にとって極めて重要な工程であるにもかかわらず，モデルや解析条件には多くの不確かさが内在することが課題であった．そこで，機械学習を導入することで温度状態の推定および予測を行う２つの研究を実施した．1つめの課題は限られた温度センサ情報を用いてシステム全体の温度分布を推定することである．Physics Informed Machine Learning: PIMLを用いて物理モデルの保存則を満たしつつ，取得された温度データを反映した温度分布を求める手法を提案した．また，定常場に対するデータ同化手法である最適内装法と比較して事前情報なしに同等精度の温度推定が可能であることを示した．これにより，温度予測誤差の原因に関する情報なしに高精度に温度分布の推定が可能となった点において技術的な進歩があった．2つ目の課題はシステム全体の温度分布を高速演算するサロゲートモデルの構築である．本研究ではPIMLを用いて物理モデルの制約を課すことで訓練データ数を飛躍的に小さく抑えたサロゲートモデルを作成することを目的とした．そこで温度分布の固有モード（PODモード）を用いたデータの縮約により，大規模なモデル全体の温度分布を求めるPOD-PIMLを提案した．これにより従来の熱サロゲートモデルとは異なり，システム全体の温度分布を即座に求めることが可能となった．提案手法は不確かさに対して冗長な熱設計，熱解析の新しい手法を導入するための基幹技術である．

熱解析は宇宙機にとって極めて重要な工程であるにもかかわらず，モデルや解析条件には多くの不確かさが内在することが課題であった．そこで，機械学習を導入することで温度状態の推定および予測を行う２つの研究を実施した．1つめの課題は限られた温度センサ情報を用いてシステム全体の温度分布を推定することである．Physics Informed Machine Learning: PIMLを用いて物理モデルの保存則を満たしつつ，取得された温度データを反映した温度分布を求める手法を提案した．また，定常場に対するデータ同化手法である最適内装法と比較して事前情報なしに同等精度の温度推定が可能であることを示した．これにより，温度予測誤差の原因に関する情報なしに高精度に温度分布の推定が可能となった点において技術的な進歩があった．2つ目の課題はシステム全体の温度分布を高速演算するサロゲートモデルの構築である．本研究ではPIMLを用いて物理モデルの制約を課すことで訓練データ数を飛躍的に小さく抑えたサロゲートモデルを作成することを目的とした．そこで温度分布の固有モード（PODモード）を用いたデータの縮約により，大規模なモデル全体の温度分布を求めるPOD-PIMLを提案した．これにより従来の熱サロゲートモデルとは異なり，システム全体の温度分布を即座に求めることが可能となった．提案手法は不確かさに対して冗長な熱設計，熱解析の新しい手法を導入するための基幹技術である．