Machine learning for thermal simulation : data-driven thermal models applied to Euclid spacecraft

Thermal processes are inherently multi-physics and multi-scale, involving mass, momentum and energy transport phenomena at multiple scales. Thermal simulation software relies on simplified finite element models (FEM), or finite difference methods (FD), based on solving conservative equations, for which direct numerical simulation is required. In practice, FEM and FD are realized through reduced-order modelling, and provide a low-fidelity model for steady-state behaviour of an isolated mass, like a satellite. The essence of the thermal modelling is to divide the system in nodes, for which the temperature is then computed as accurately as possible, starting from a set of algebraic equations. The aim of this research is to focus on data-driven thermal models, specifically on their development using Machine Learning (ML), in order to predict the temperature field of a spacecraft and verify the output accuracy with respect to the standard methods. Furthermore, the possibility of getting other outputs (e.g. attitude) will be investigated, starting from the distribution of temperature of the spacecraft. Finally, the last objective is to derive requirements on modelling, data quality and computing resources for training, since nowadays the space industry is trying to use Artificial Intelligence (AI) systems directly on board of a spacecraft to facilitate various tasks and reduce operational costs.

I processi termici sono intrinsecamente multi-fisici e multi-variabili e coinvolgono fenomeni di trasporto di massa, momento ed energia. I software di simulazione termica si affidano a modelli semplificati ad elementi finiti (FEM), o a differenze finite (FD), che si basano sulla risoluzione di equazioni conservative, per le quali è necessario l’uso di simulazioni numeriche dirette. Nella pratica, il FEM e il metodo FD sono implementati riducendo l’ordine del sistema e fornendo un modello semplificato per lo studio del comportamento termico di una massa isolata, quale un satellite. L’essenza della modellazione termica consiste nel dividere il sistema in vari nodi, per i quali, partendo da un set di equazioni algebriche, la temperatura è calcolata il più accuratamente possibile. L’obiettivo di questa ricerca risiede nello studio di modelli termici basati sui dati, e, nello specifico, nel loro sviluppo utilizzando il Machine Learning, con lo scopo di predire il campo di temperatura di un satellite e di verificare l’accuratezza di tali modelli rispetto ai metodi classici utilizzati oggi nei problemi termici. In seguito, sempre partendo dalla distribuzione di temperatura del satellite, verrà poi esplorata la possibilità di ottenere altri output (es. attitude). Infine, l’ultimo obiettivo consiste nel derivare requisiti per la modellazione e per una possibile implementazione di modelli di Intelligenza Artificiale direttamente on board al satellite, in modo da facilitare vari compiti riducendo così i costi.