近日，我院航空航天系费庆国教授团队在传热领域TOP期刊《International Journal of Heat and Mass Transfer》发表题为“Transfer machine learning framework for efficient full-field temperature response reconstruction of thermal protection structures with limited measurement data”的研究成果，提出一种高速飞行器热防护结构三维时变温度场的在线重构方法。（论文链接：https://doi.org/10.1016/j.ijheatmasstransfer.2025.126785）
热防护结构（Thermal Protection Structure , TPS）是高速飞行器的重要组成部分，飞行器在服役过程中面临严酷的气动加热载荷，为了监测热防护结构的健康状况，有必要及时准确地预测 TPS 的全场温度响应。然而，由于传感器安装的限制，在工程中很难获得足够的 TPS 温度信息。因此，在测量数据有限的情况下，热防护结构全场温度响应的重构方法越来越受到重视。
为此，本研究将物理信息神经网络（Physical Information Neural Network, PINN）和迁移学习结合提出一种迁移学习框架，用于解决热防护结构的传热学反问题。首先，在物理模型的基础上建立相应的仿真模型，通过仿真模型获取足够的数据集进行PINN预模型的训练；然后，将PINN预模型与加热试验中获取的有限试验数据相结合，通过迁移学习得到真实试验模型的PINN模型；最后，利用最终得到PINN模型开展真实试验模型的温度场重构和热参数辨识工作。研究结果表明：采用迁移学习能使温度场重构模型的训练效率大幅提升，所提出的方法能够高效精确地重构热防护结构的三维时变温度场，能够为热防护结构的服役状态监测提供可靠的温度场信息。
图1 温度场重构方法
图2 热防护结构及加热试验验证
图3 温度场重构结果
我院航空航天系硕士生陈钰洛为论文第一作者，费庆国教授为论文的通讯作者。研究工作得到了国家自然科学基金、中国科协青年人才托举工程等项目的资助。
供稿人：陈强
