一种用于预测小行星模拟物激光采矿中温度场的物理信息神经网络框架

《Optics & Laser Technology》：A physics-informed neural network framework for predicting temperature fields in laser mining of asteroid simulants

　　摘要小行星资源开发对于未来可持续的深空探测具有重要意义。利用太阳辐射、微波和激光等能源的热提取技术，是小行星原位资源利用的关键途径。热提取过程中三维温度场的精确预测与建模是指导运行条件选择的基础。现有温度场预测与建模方法主要依赖有限元法和数据驱动的深度学习方法，这些方法面临网格离散复杂、耗时过长和计算成本高等挑战。为克服这些局限，本文提出一种物理信息神经网络框架。通过将控制偏微分方程的残差嵌入损失函数，神经网络能够在极少甚至无标注数据的情况下学习物理一致解。与有限元模拟结果相比，该模型实现了全场温度平均相对误差小于1.3%和峰值相对误差小于1%的精确预测；迁移学习仅需约120秒。此外，利用迁移学习的高效率，本文研究了激光功率和光斑尺寸对热梯度分布的影响。结果表明，光斑尺寸控制热梯度的空间形态，而激光功率控制其大小。研究结果表明，该模型能够快速、准确地预测三维温度场，有望用于小行星激光开采的三维温度预测和迭代工艺设计。引言虽然近年来近地轨道发射成本已大幅降低，但依赖地面补给的传统模式仍制约着人类深空探测的扩展。地外资源的开发与利用因此是人类活动范围超越地球的必要途径[1]、[2]、[3]。原位资源利用（ISRU）指直接提取和加工地外天体上的本土资源，是突破资源限制、实现可持续太空经济的关键技术途径。太阳系中存在大量具有巨大资源潜力的小行星，使其成为太空ISRU的有前景目标：它们不仅富含水冰（深空任务所必需）和地球上稀缺的贵金属，还具备轨道可达性有利、整体捕获可行性高、表面开采难度低和资源品位高等综合优势[4]、[5]。小行星分类的最重要方法之一基于反射光谱特征、颜色和反照率。Tholen利用八色小行星巡天（ECAS）数据将小行星分为三大类和14个亚类，其中最常见的三种类型为C型、S型和M型[6]。迄今为止已开展多项小行星采样返回任务：2010年，日本宇宙航空研究开发机构（JAXA）的隼鸟号从S型小行星丝川返回了1500多粒细颗粒样本[7]、[8]；2020年，隼鸟2号从C型小行星龙宫返回了5.4克样本[9]、[10]；2023年，NASA的OSIRIS-REx任务从C型小行星贝努返回了120克样本[11]、[12]；中国天问二号任务于2025年发射，计划从S型近地小行星2016 HO3采集60-100克样本并于2027年底返回地球[13]。返回样本分析和地面遥感光谱分析表明，小行星含有多种挥发分、金属和硅酸盐材料。C型小行星主要由层状硅酸盐组成，相对富水，含有机物，是补充生命保障系统和航天器气体燃料推进剂的可靠来源[14]；S型小行星主要由橄榄石组成，富含Fe-Ni合金相，可为太空制造提供金属材料[8]；M型小行星类似铁陨石，被认为是受撞击碎裂的分异星子核心碎片，含有大量稀有贵金属，具有极高的直接经济价值[15]。传统采矿和选矿方法不适用于小行星资源开发。微重力环境严重限制了依赖重力的技术（如钻探、挖掘、矿物粉碎和浮选），而大多数小行星的松散碎石堆结构无法为大型表面采矿设备提供所需锚固力。因此，利用太阳辐射、微波和激光等能源的热提取技术因其低反作用力和高可控性而备受关注。激光采矿利用高能量密度激光束照射目标小行星表面，通过熔融飞溅、材料气化或热剥落实现非接触式材料去除[16]、[17]。该原理作为地球硬岩钻探辅助方法时，发现热剥落比熔融飞溅和气化每单位体积岩石去除所需能量最少[18]。在小行星热采矿背景下，Broslav等人[19]研究了光束辐照度对C型小行星模拟物剥落效率的影响，发现更高激光功率并不一定产生更快挖掘速率。随着辐照度增加，照射区域温度过高导致软化或熔化，抑制热剥落，成为降低挖掘速率的主要因素。他们强调监测三维温度与辐照度关系对于小行星高效热分解至关重要。Anthony等人[16]使用15kW掺镱光纤激光在橄榄石、辉石和蛇纹石样品上诱导剥落，并用高速相机和照明激光观察过程，发现激光诱导剥落能量效率可比激光诱导飞溅高2-3倍，比激光烧蚀高40倍以上。总之，快速激光加热产生的大热梯度驱动的热剥落是实现高效岩石破碎和最小能量输入的关键机制。研究人员已证实，过高的表面温度会导致材料软化和熔化，抑制裂纹扩展，成为限制挖掘速率的主要因素。三维温度场的预测与建模对于确定最佳加工窗口至关重要：温度必须足够高以产生能够驱动剥落的陡峭热梯度，同时保持在热软化和熔融形成占主导的阈值以下。然而，现有温度场测量技术不能满足要求：热电偶只能捕获离散点的热历史；红外热像仪可提供非接触表面温度分布，但仅限于表面测量且工作温度范围受硬件能力限制；有限元法（FEM）可产生三维温度场数据，但计算成本高，需要精细网格离散和复杂参数配置。近年来，数据驱动的机器学习方法被引入温度场预测领域[20]、[21]，但这些模型严重依赖大规模高质量标注温度数据集，获取耗时且昂贵，同样限制了实际部署。物理信息神经网络（PINN）由Raissi等人[22]首次提出，是将物理定律嵌入深度学习模型的框架。通过将偏微分方程（PDE）残差纳入损失函数，神经网络能够在极少甚至无标注数据的情况下学习物理一致解。该方法适用于控制方程已确立但全面实验测量成本过高的场景，并受到越来越多的研究关注。Li等人[23]提出无需任何标注数据即可预测三维温度场的PINN框架，用于激光金属沉积过程热行为预测，与有限元结果相比最大相对误差约2%。Liao等人[24]进一步将红外相机测量的部分观测温度数据与物理定律整合到损失函数中，构建了混合物理-数据驱动热模型。结果表明混合模型能有效识别未知参数并准确捕获全场温度。在激光钻探领域，Zhang等人[25]推导了破碎过程中单轴抗压强度（UCS）与钻探数据的关系，构建了数据与物理约束相结合的双驱动模型，预测精度R2=0.93。尽管文献中已有大量努力，但尚无模型被应用于预测小行星激光采矿过程中的三维温度场。PINN框架无需大量标注数据集，同时通过嵌入PDE残差严格强制传热物理规律，特别适合此场景：小行星热分解涉及热传导、对流和辐射等成熟物理方程。PINN在此问题中的应用尚未被研究。为填补这一空白，本文提出面向小行星激光采矿应用场景的物理驱动PINN模型。通过嵌入控制偏微分方程（PDEs）、边界条件（BCs）和初始条件（ICs）的物理残差驱动模型训练，实现高精度三维温度场预测，峰值温度误差低于1%，全场温度平均相对误差低于1.3%。并通过迁移学习模块，系统研究了激光功率和光斑半径对热提取过程中热梯度的影响。PINN模型为小行星激光热采矿中三维温度场预测与建模提供了数值模拟的可行替代方案。章节片段物理假设本研究聚焦于固定激光照射的加热阶段，旨在复现航天器搭载激光载荷将高能量密度激光束投射到小行星表面、其表层快速吸收并随后传导沉积热量的过程。图1展示了模型中考虑的三种主要传热模式：热传导将激光能量从高温区传递到内部，基线模型训练图3展示了PINN模型训练过程中的损失曲线。前10,000个epoch对应Adam优化器阶段，随后是6000个epoch的L-BFGS优化器进行局部细化，当总损失降至1e?3作为收敛准则时训练终止。可以看出，所有损失项在Adam优化阶段初期快速下降；然而在中期和后期出现了一定幅度的波动，结论本文提出了一种PINN模型，通过迁移学习模块显著降低计算成本：总损失在仅120秒内降至1e?5，仅需等效有限元设置（12分钟）所需时间的1/6。该模型实现了精确预测，平均相对误差低于1.3%，峰值温度相对误差低于1%。过高的辐照度会引发脆性-延性转变和表面熔化，这CRediT作者贡献声明Zihao Pan：写作—审阅与编辑、写作—初稿、可视化、验证、方法学、正式分析、数据管理、概念化。Chenmin Liu：写作—审阅与编辑、写作—初稿、方法学、正式分析、概念化。Mingke Wu：写作—审阅与编辑、监督、正式分析、概念化。Gansu Zhang：写作—审阅与编辑、监督、概念化。Liang Dong：监督、资源、项目管理。利益冲突声明作者声明，他们不存在已知的竞争经济利益或个人关系，这些关系可能影响本文所报告的工作。致谢本工作受“深地探测与矿产资源勘探—国家科技重大专项”（2025ZD1011000）资助；中国矿业大学“矿业工程学科集群自主创新与社会服务能力提升项目”（2022ZZCX06K5）；江苏省研究生科研与实践创新计划（26CXJH4898）。Zihao Pan | Chenmin Liu | Mingke Wu | Gansu Zhang | Liang Dong