热防护系统时变温度场的智能预测

Intelligent prediction of time-varying temperature field for thermal protection structures

汪锐，王泽，郭欣哲，宋述芳*

 

引用格式：Rui Wang , Ze Wang , Xinzhe Guo & Shufang Song. Intelligent prediction of time-varying temperature field for thermal protection structures[J], Engineering Applications of Computational Fluid Mechanics, 2026,20(1): 2675815, DOI: 10.1080/19942060.2026.2675815.

摘要：

　　对于在流固热传递耦合条件下进行高超音速飞行器热防护系统设计而言，对时变温度场的准确预测至关重要。然而，由于风洞试验成本高昂以及数值模拟所需的大量资源消耗巨大，难以获取足够多的流固热传递耦合数据来进行建模。因此，针对时变温度场的智能预测模型的构建面临着巨大的挑战。本文提出了一种结合时间堆叠和多损失融合的新型时空卷积方法，称为“时间堆叠”（Timestack）。首先，连续的时间序列温度场图像经过了通道层面的堆叠处理。然后，进行卷积和反卷积运算可以实现对后续温度场的准确预测；为了保证对高度动态变化的预测能力，在训练过程中构建了多损失函数融合机制。结果表明，与经典方法相比，在小样本场景下，平均绝对误差降低了超过 30%。且能大幅减少训练时间。所提出的方法为高效预测提供了一种新的技术途径。高超音速飞行器热防护系统的设计。

一、研究背景

　　高超声速飞行器的热防护问题是制约高超声速飞行器发展的难点之一。而对热防护系统的温度的准确预测关乎其整体设计过程。但是，热防护系统的温度场属于流固传热耦合问题，预测面临小样本和时空高度关联的难点。现有的时空温度场预测方法对小样本问题的适应性有待评估，而小样本预测方法的时空相对分离。对于热防护系统的温度场这类流固传热耦合问题，现有方法难以实现快速准确预测。

二、方法提出

　　本文以热防护系统的壁板为研究对象，进行了平板和嵌入梯度复合材料斜壁板温度场的预测。通过构建基于帧堆叠和多损失融合的时空卷积时序预测模型，进行温度场的快速预测。模型的结构主要分为三部分：数据预处理，卷积自编码器和多损失融合。

　　数据预处理奖时序上连续多帧的温度场数据沿通道方向堆叠。这个过程会使得一个多通道输入存在时序的动态特性，同时一次输入连续几帧温度场，大幅度提升模型训练速度。同时，为保证结构形态，本文使用图像像素代替温度场数值进行训练。图像像素本身就是矩阵形式排列，输入模型不会影响空间临近关系。堆叠后的温度场图像需要经过卷积和反卷积恢复原本的通道数得到预测温度场图像。卷积和反卷积过程融合均方损失，结构相似性(SSIM)损失，边界损失，动态增强损失和全局动态损失。

三、结果与分析

　　使用Timestack方法预测的结果，使用39帧预测50帧的平均误差MAE相比convLSTM降低34.37%，相比SimVP方法降低49.72%，在预测结果图中也明显看到预测差距。而且在误差云图中也能明显看到，Timestack方法在60帧前的误差主要集中在温度场的边界，成细条带状分布。而且误差主要分布的边界明显有向右下收缩的动态变化特征，说明了模型能很好匹配温度场的动态变化特征。说明本方法在小样本场景下时空关联预测能力更强。而且在效率上也更快，训练时间最快为其他模型的1/18。

　　对于嵌入梯度复合材料斜壁板。如图5对比了不同训练集数量下模型的预测性能。在所有训练集数量中，Timestack始终保持着最低的误差。这证明了Timestack在小样本场景（不超过60帧）下的巨大优势。使用39帧预测50帧的平均误差MAE相比convLSTM降低57.19%，相比SimVP方法降低61.87%，在预测结果图6中也明显看到预测差距。尤其在红圈所在位置，仅有Timestack的预测结果存在和真实结果一样的深蓝色低温区退化的变化形式。再次验证了本方法小样本场景下具备更强的时序动态捕捉能力，时空关联预测能力更强。而且，Timestack模型在训练效率上也有明显的提升，本文训练速度最快为其他模型的1/465。

　　本文方法为图像处理角度出发，应用于实际中的3D温度场，需要格外的流程。将3D温度场沿某个方向截取多个截面，然后使用3D卷积核进行卷积即可以实现3D温度场的预测。使用39帧预测50帧温度场，预测结果取3个截面观察误差变化。

四、总结

　　本文针对流固传热耦合场景下热防护结构时变温度场的小样本预测难题，提出一种基于时序堆叠的多损失融合时空卷积方法（Timestack）。在少于60帧的小样本训练集下，实现了2D温度场的精确预测。且通过将2D卷积核转为3D卷积核，Timestack方法实现了多截面组成的3D温度场的预测。在本文中通过与传统的convLSTM和SIMVP模型对比，从预测精度，泛化性能和计算效率三个维度，充分论证了所提方法的优势。

公众号原文链接（附论文资源）：

EACFM | 西工大汪锐、宋述芳等：热防护系统时变温度场的智能预测

注：文章由原作者投稿分享，向本公众号授权发布。