基于物理方程驱动的在轨航天器热力耦合位移预测方法

本申请提供了一种基于物理方程驱动的在轨航天器热力耦合位移预测方法，通过获取在轨航天器当前时间的空间坐标，输入至训练好的物理信息神经网络模型，直接预测结构位移值。物理信息神经网络模型的训练过程包括：通过仿真获取温度场与位移场数据集；构建共享编码器的温度场网络和位移场网络，将热传导方程与热弹性力学平衡方程嵌入损失函数；利用遗传算法自动寻优物理信息神经网络模型的超参数；采用渐进式训练策略分阶段引入物理约束直至收敛。本申请实现了热‑力耦合场的端到端无网格快速求解，避免了传统分步仿真的累计误差，通过遗传算法自适应平衡多物理场损失，提升了模型泛化精度与训练效率，可满足在轨实时形变预测与闭环补偿需求。