論文の概要: Faster Thermal Profiling of a Lunar Rover with Machine Learning Adapted Finite Difference Model

• arxiv url: http://arxiv.org/abs/2605.27651v1
• Date: Tue, 26 May 2026 20:11:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.501755
• Title: Faster Thermal Profiling of a Lunar Rover with Machine Learning Adapted Finite Difference Model
• Title（参考訳）: 機械学習適応有限差分モデルを用いたルナーローバーの高速熱プロファイリング
• Authors: Samuel Weber, Zaki Hasnain, Souma Chowdhury,
• Abstract要約: 本稿では,内部熱源を有する簡易月面ローバーの熱解析のためのPIMLフレームワークを提案する。 微分可能な有限差分熱シミュレータをフレームワーク内に組み込んで物理的一貫性を強制する。 その結果,PIMLフレームワークは粗いメッシュ物理モデルと比較して予測精度を50%, 39%向上させることがわかった。
• 参考スコア（独自算出の注目度）: 3.3836709236378746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous space systems operating in extreme thermal environments require accurate and efficient thermal modeling to support both pre-mission system design and onboard autonomy. For lunar rovers, large temperature gradients, radiative heat transfer, and variable surface conditions make reliable thermal prediction especially challenging. High-fidelity physics-based simulations provide accurate results but are computationally expensive, while simplified models and lookup-table approach often lack sufficient accuracy. Physics-informed machine learning (PIML) offers a promising alternative by combining data-driven models with embedded physical knowledge. This paper presents a PIML framework for thermal analysis of a simplified lunar rover with internal heat sources, where machine learning enables environment-adaptive coarse meshing. The proposed architecture integrates a transfer neural network (TNN) that adaptively determines 3D finite-difference nodalization based on thermal loads and initial conditions, enabling more accurate coarse-mesh calculations. A differentiable finite-difference thermal simulator is embedded within the framework to enforce physical consistency and support efficient training, while an upscaling layer reconstructs high-resolution temperature fields from the coarse-grid solution. The proposed PIML approach is evaluated against high-fidelity fine-mesh simulations, low-fidelity fixed coarse-mesh models, and a purely data-driven artificial neural network (ANN). Results show that the PIML framework improves prediction accuracy by 50% and 39% relative to the coarse-mesh physics model and ANN model, respectively, while maintaining physically consistent thermal distributions. Computationally, the framework is also 3x faster than high-fidelity simulations, demonstrating an effective balance between accuracy and efficiency for thermal modeling of lunar rover systems.
• Abstract（参考訳）: 極端熱環境で動作する自律型宇宙システムは、プリミッションシステム設計とオンボード自律性の両方をサポートするために、正確で効率的な熱モデリングを必要とする。 月面探査機にとって、大きな温度勾配、放射熱伝達、および変動表面条件は、特に信頼性の高い熱予測を困難にしている。 高忠実度物理に基づくシミュレーションは正確な結果を提供するが、計算コストが高い。 物理インフォームド機械学習(PIML)は、データ駆動モデルと組み込み物理知識を組み合わせることで、有望な代替手段を提供する。 本稿では,環境適応型粗いメッシュ化を実現するための内部熱源を用いた簡易月面ローバーの熱解析のためのPIMLフレームワークを提案する。 提案アーキテクチャは,熱負荷と初期条件に基づいて3次元有限差分ノダライゼーションを適応的に決定するトランスファーニューラルネットワーク(TNN)を統合し,より正確な粗いメッシュ計算を可能にする。 差分可能な有限差分熱シミュレータをフレームワーク内に埋め込んで物理的一貫性を強制し、効率的なトレーニングを支援する一方、アップスケーリング層は粗粒溶液から高分解能温度場を再構成する。 提案手法は,高忠実度ファインメッシュシミュレーション,低忠実度固定粗メッシュモデル,純粋にデータ駆動型人工ニューラルネットワーク(ANN)に対して評価される。 その結果、PIMLフレームワークは、物理的に一貫した熱分布を維持しつつ、粗いメッシュ物理モデルとANNモデルと比較して予測精度を50%と39%向上させることがわかった。 計算上、このフレームワークは高忠実度シミュレーションよりも3倍高速で、月のローバーシステムの熱モデリングにおける精度と効率の効果的なバランスを示す。

関連論文リスト

• Physics-Informed Machine Learning for Pouch Cell Temperature Estimation [5.435523531334183]
  本稿では,定常状態の温度分布を効率的に推定するための物理インフォームド・機械学習(PIML)フレームワークを提案する。 PIMLアプローチは、制御熱伝達方程式を直接ニューラルネットワークの損失関数に統合し、高忠実度予測を可能にする。 その結果、PIMLモデルはより高速に収束し、データ駆動モデルよりも平均2乗誤差を49.1%削減し、極めて高い精度を達成することが示された。
  論文  参考訳（メタデータ） (2026-04-16T02:58:10Z)
• Gradient Networks for Universal Magnetic Modeling of Synchronous Machines [39.146761527401424]
  本稿では,飽和同期機の動的モデリングのための物理インフォームドニューラルネットワーク手法を提案する。 本稿では,勾配ネットワークを基本機械方程式に直接組み込むアーキテクチャを提案する。 本稿では,5.6kW永久磁石同期機の有限要素法(FEM)を用いて提案手法を検証する。
  論文  参考訳（メタデータ） (2026-02-16T17:28:42Z)
• Few-Shot Learning by Explicit Physics Integration: An Application to Groundwater Heat Transport [41.94295877935867]
  ローカルGlobal Convolutional Neural Network (LGCNN) アプローチが導入された。 モデルはまずランダムな入力場に基づいて系統的に解析される。 そして、このモデルは、ドイツのミュンヘン地域の現実世界の古典地図から、いくつかのカットアウトで訓練される。
  論文  参考訳（メタデータ） (2025-07-08T15:06:15Z)
• NeuralOM: Neural Ocean Model for Subseasonal-to-Seasonal Simulation [41.41450298461784]
  複雑でゆっくり変化するダイナミクスをシミュレートするための一般的なニューラル演算子フレームワークであるNeuralOMを提案する。 我々は,S2S海洋シミュレーションの課題に対してNeuralOMを検証した。 NeuralOMは、最高の性能のベースラインに比べて13.3%低いRMSEを達成する。
  論文  参考訳（メタデータ） (2025-05-27T10:54:40Z)
• Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
  この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。 HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2025-05-16T14:40:56Z)
• FuXi-RTM: A Physics-Guided Prediction Framework with Radiative Transfer Modeling [10.780042503723806]
  FuXi-RTMは物理誘導型ディープラーニングフレームワークで、物理的な一貫性を保ちながら天気予報精度を向上させる。 FuXi-RTM は一次予測モデル (FuXi) と固定深層学習に基づく放射移動モデル (DLRTM) を統合する。 5年間のデータセットで評価され、FuXi-RTMは3320変数とリードタイムの組み合わせの88.51%で非制約のデータセットを上回っている。
  論文  参考訳（メタデータ） (2025-03-25T08:21:58Z)
• Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
  ここで提示される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によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。 我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,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た。 PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
  論文  参考訳（メタデータ） (2024-07-08T16:38:52Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Data-Driven Permanent Magnet Temperature Estimation in Synchronous Motors with Supervised Machine Learning [0.0]
  自動車用永久磁石同期モータ(PMSM)における磁石温度のモニタリングは難しい課題である。 過熱によりモータの劣化が激しくなり、機械の制御戦略とその設計に高い懸念が生じる。 いくつかの機械学習(ML)モデルは、潜時高ダイナミックな磁力温度分布を予測するタスクにおいて、その推定精度を実証的に評価する。
  論文  参考訳（メタデータ） (2020-01-17T11:41:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。