本报告基于哈尔滨工业大学复合材料与结构研究所、哈尔滨工业大学化学工程与技术学院及苏州实验室的研究人员发表于 *Results in Engineering*（2025年，第27卷，文章编号106262）的一项原创研究。该研究系统评估了航空航天智能辐射器件（smart radiator devices, SRDs）在航天器热管理中的传热特性、性能、适用性及节能效益，并引入了深度学习代理模型以加速热控设计。以下从研究背景、研究流程、主要结果、研究结论及研究亮点等方面进行详细介绍。
一、研究背景
航天器在轨运行面临极端且剧烈波动的热环境，包括频繁的光影交替、高功率密度部件以及低占空比设计等，这些因素会诱发精密仪器噪声干扰、部件热疲劳和能源管理困难。传统辐射热控技术通常依赖低太阳吸收率（absorptance, *α*ₛ）和高发射率（emittance, *ε*）的固定辐射表面，难以同时满足低温保温与高温散热需求，也无法提升航天器在轨智能水平。智能辐射器件（SRDs）能够根据自身温度动态调节表面发射率，在高温时增强散热，在低温时降低散热，从而实现被动自适应热控，不额外消耗功率、体积或质量。然而，此前对SRDs的研究多集中于材料设计、制备工艺与地面性能测试，对其在轨应用效益和系统级热控能力尚未系统量化。因此，本研究旨在建立多种热模型，模拟SRDs在近地轨道与深空环境下的综合热控性能，并探索基于深度学习的快速设计方法，为未来航天器智能热管理提供新范式。
二、研究流程
该研究建立了四种模型分层次开展仿真分析。
首先，构建表面局部简化模型（surface local simplification model, SLSM），用于描述航天器表面辐射器在空间光照和阴影条件下的热平衡与动态温度变化。在该模型中，智能辐射器安装于航天器表面，内部安装电加热器，当温度低于阈值时启动。研究通过稳态方程 (T = \sqrt[4]{\frac{\alpha_s S \cos\theta}{\varepsilon(T)\sigma}}) 计算不同太阳入射角和电加热功率下的平衡温度，并通过瞬态能量平衡方程模拟非平衡态温度波动，其中考虑了轨道角速度、表面吸收与辐射功率、电加热功率以及航天器热容等因素。仿真研究了近地空间中不同电加热功率和不同旋转周期下的表面温度响应。
其次，建立立方星七节点模型（cube-sat seven nodes model, CSNM），将卫星六个表面与内部有效载荷抽象为七个节点，并在六个表面内侧布置电加热器。该模型用于对比智能辐射器、传统辐射器（αₛ=0.15，ε=0.80，代表典型光学太阳反射器性能）以及无辐射器（αₛ=0.05，ε=0.15，代表常用航天金属表面）三种情况下卫星内部有效载荷的温度波动。
第三，建立立方星黑箱模型（cube-sat black box model, CBBM），用于评估SRDs在深空环境中的能量管理能力。该模型将位于天体赤道上方的立方星抽象为黑箱，假设均匀热设计，仅考虑卫星外壳与外界的热辐射交换，忽略其他冷却方式。模型纳入三种能量输入：太阳辐射吸收、中心天体热辐射和卫星内部功率；唯一的能量输出为表面自发辐射。研究针对尺寸从0.1 m至5 m、功率从100 W至5000 W的卫星，在金星、地球、火星和木星等不同邻近天体轨道下开展综合仿真，确定SRD的有效热控区间与所需敷设面积比（patch area ratio, *r*），并量化进入阴影区后的节能功率。
第四，将黑箱建模方法扩展至商业平板卫星（flat-sat）和深空探测器。针对平板卫星，研究不同太阳能电池板面积和主表面面积组合下的热控可行性，并估算智能热控带来的太阳能电池板面积节省。针对深空探测器，研究以Juno探测器公开数据为例，计算太阳加热功率、电功率、热耗散功率、热控功率和剩余功率随日距的变化，确定智能辐射器可扩展的最远飞行距离。
第五，构建深度学习代理模型。基于SLSM和CSNM生成的训练数据，训练了两个深度神经网络（deep neural networks, DNNs）代理模型（Model 1和Model 2）。模型输入包括轨道倾角系数、周期、辐照功率密度、太阳吸收率、发射率、内部功率、电加热模式及局部比热容等参数；输出为温度波动曲线。训练采用在线增量学习策略，脚本自动触发物理模型仿真，以随机采样参数作为输入，对应温度曲线作为标签。训练后代理模型可在动态平衡状态下并行输出温度波动，突破了传统时序迭代的计算瓶颈。
三、主要结果
在SLSM稳态仿真中，电加热功率增大导致阴影区温度差异显著，而光照区温度因太阳加热主导而基本一致。瞬态仿真则显示，随航天器旋转速度增加，温度波动呈现峰值衰减和迟滞现象，反映出动态吸收与耗散的相位差。
在CSNM中，智能辐射器作用下内部有效载荷温度波动范围为1.27 K；传统辐射器为2.98 K；无辐射器为3.01 K。这表明智能辐射器能显著抑制交变热环境对卫星内部温度的影响，避免传统辐射器导致的过度散热和无辐射器时的积热崩溃，有效将有效载荷温度维持在室温范围，并有效降低了对地静止卫星的温度波动幅度约57%。
在CBBM中，研究给出了不同天体附近有效热管理所需的表面敷设面积比分布。随着卫星距离太阳越远，SRD的可行热控范围越宽，从金星附近的约200 W/m²扩展至木星附近的约313 W/m²。当接近临界功率密度时，所需* r *增大，节能功率（*Pₛₐ）与卫星表面积和 r *的乘积成正比。在地球轨道，最大节能功率可接近优化卫星总功耗的90%。例如，尺寸2 m、功率5000 W的立方星在阴影区节能可达4500 W，而传统辐射器仅对应9500 W的节能潜力。金星轨道由于辐照功率密度过高，热控极富挑战，r的小幅变化即可导致热平衡显著波动，仿真中SRD逐片部署直至热平衡，数值结果呈锯齿状分布，反映了表面状态微小变化对吸热-散热平衡的强烈影响。
在平板卫星仿真中，SRDs可为多种配置提供有效热控。对于标记数据点对应的卫星，太阳能电池板面积可从2.70 m²减少至2.08 m²，降低约23%，显著节省运载燃料并提高整流罩空间利用率。
在深空探测器仿真中，以Juno探测器为例，计算显示智能辐射器可为探测器额外增加超过5000万公里的航程。该结果基于太阳加热功率、电功率、热耗散功率、热控功率和剩余功率随日距的变化曲线，当剩余功率降至生存功率时即达到最远飞行距离。
在深度学习代理模型部分，训练后的模型在均匀采样数据集上的相对损失小于0.1%。模型可对αₛ和ε从0.05到0.95以步长0.05变化组合生成361条温度波动曲线，并即时输出。与先前报道的仿真方案相比，该方法将所需时间缩短了至少三个数量级。基于最大与最小温度曲面与273 K和303 K两个平面的投影相交，得到可行设计区间。例如，Model 2对应区间为0.138ε − 0.361 < αₛ < 1.72ε − 0.254。研究示例中5种SRD中有3种落入可行区间，表明其发射率调节范围可与热控目标匹配，而另外2种无法通过调节发射率实现有效热控。
四、研究结论
本研究建立了四种模型，系统评估了SRDs在多种结构与热环境下的性能、适用性与节能潜力。仿真结果证实，智能辐射器可将对地静止卫星内部温度波动限制在1.27 K，较传统辐射器降低57%；装备SRDs的平板卫星可减少约23%的太阳能电池板面积；地球轨道最大节能功率可接近优化卫星总功耗的90%。这些分析表明，SRDs将使空间探测任务显著节能并推动未来空间智能的发展。利用深度学习代理模型，研究将仿真时间缩短超过三个数量级，实现了对表面材料吸收率与发射率的逆向设计，建立起高效、可定制的先进热控子系统设计范式。
五、研究亮点
本研究的突出贡献在于：（1）系统量化了SRDs在近地轨道和深空环境中的热控效益，填补了从材料性能到系统级应用评估之间的空白；（2）构建了从局部表面到整星黑箱的多层次模型体系，覆盖微纳卫星到空间站部件的尺寸和功率范围，并纳入金星、地球、火星和木星等不同热环境；（3）引入深度学习代理模型，将计算效率提升至少三个数量级，支持快速前向评估与逆向设计，改变了传统依赖经验与迭代仿真的热控设计模式；（4）提出了可行设计区间概念，强调发射率与吸收率需协同匹配，而非仅追求更大的发射率调节范围，为智能热控材料的筛选与应用提供了直观判据。
六、其他有价值内容
研究还指出，SRDs的被动自适应特性使其特别适合对功率密度敏感的航天器，无需额外电力、体积或质量。此外，深度学习方法不仅可加速性能分析，还可与粒子群优化、遗传算法等优化算法结合，实现从目标温度条件反推表面辐射特性。该研究为大规模卫星网络和未来太空殖民等任务中快速、可定制的热控设计提供了理论基础和工具支持。