基于LSTM网络模型的航天器热变形预测

摘要：

针对在轨航天器结构热变形问题,提出了一种基于贝叶斯优化的长短期记忆(LSTM)网络预测方法.结合航天器在轨温度测量数据和有限元模型仿真数据,完成了温度测点选取、LSTM网络模型结构设计、模型训练及热变形预测过程算法实现.实现了较少温度测点为输入下的航天器结构热变形预测.通过多组实验算例结果对比,验证了所提出的LSTM网络模型及其超参数优化方法适用于在轨航天器热变形预测,可以达到的最小均方误差为0.0634.

关键词：长短期记忆(LSTM)模型、热变形、贝叶斯优化

所属期刊栏目：34

分类号：V415.5(基础理论及试验)

资助基金：国家重点研发计划2018YFF0216004

在线出版日期：2021-04-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：5-9