本文介绍了一项由华南理工大学机械与汽车工程学院的Xiaohua Wu、Longsheng Lu、Lanzhi Liang、Xiaokang Mei、Qinghua Liang、Yilin Zhong、Shu Yang以及惠州市德赛西威智能交通技术研究院有限公司的Zeqiang Huang和大疆创新科技有限公司的Hengfei He共同完成的研究。该研究于2024年7月20日发表在《Journal of Heat and Mass Transfer》期刊上，题为《Quick Prediction of Complex Temperature Fields Using Conditional Generative Adversarial Networks》。该研究旨在通过条件生成对抗网络（Conditional Generative Adversarial Network, CGAN）快速预测电子设备中的复杂温度场分布，以提高热管理设计的效率。
随着电子设备功率的不断增加，热管理成为确保设备稳定运行的关键因素。然而，复杂的散热结构通常需要数小时甚至更长时间进行仿真计算，这严重限制了在有限空间内优化散热设计的效率。传统的计算机辅助工程（Computer-Aided Engineering, CAE）仿真方法在处理复杂的流体动力学和热传导耦合问题时，计算量大且耗时。为了减少计算负担，研究人员尝试了多种方法，包括数据驱动的代理模型（Surrogate Model），如响应面近似、克里金法和人工神经网络等。近年来，随着机器学习的发展，计算机视觉领域的算法在构建高精度代理模型方面展现了巨大潜力。
本研究提出了一种基于CGAN的方法，通过几何编码标签将复杂结构与物理场（温度场）进行映射。具体来说，研究团队首先利用自然对流冷却案例中的温度场数据训练不同的模型，并将输出与测试集进行对比，评估模型的轮廓细节、整体精度和图像清晰度。其次，研究团队使用不同规模的训练集训练同一模型，并比较其精度。此外，研究还探讨了在训练数据较少或应用于新电子设备时，微调模型与从头训练模型的性能差异。
研究的主要步骤包括： 1. CAE计算：研究团队使用Icepak软件对车载域控制器的热管理进行仿真，简化了复杂结构以缩短计算时间。仿真模型包括PCB、芯片、散热片等组件，并通过参数化建模生成温度场数据。 2. 模型开发与训练：研究团队使用PyTorch框架实现了深度学习模型，选择了ASAP-Net作为温度场预测模型。ASAP-Net结合了卷积神经网络（CNN）和多层感知机（MLP），能够在保持图像细节的同时加速训练过程。研究还对比了Pix2Pix和U-Net等基线模型的性能。 3. 代理模型评估：通过最大温度相对误差（MTRE）和平均热图相对误差（MHRE）等指标，定量评估了模型的预测性能。研究还引入了结构相似性度量（SSIM）来评估预测温度场图像与真实图像的相似性。 4. 数据集准备：研究团队通过参数化模型生成了自然对流冷却和空气冷却的温度场图像数据集，并使用拉丁超立方采样方法确保数据集的多样性和覆盖性。 5. 时间与能耗测量：研究对比了CAE仿真与ASAP-Net模型在时间和能耗上的差异，结果显示ASAP-Net在预测温度场时能够大幅减少计算时间和能耗。
研究结果表明，ASAP-Net模型能够高精度地预测PCB的稳态温度场分布，尤其是在芯片布局和散热片结构复杂的情况下，模型仍能较好地捕捉温度场的细节。通过对比不同规模的训练集，研究发现，随着训练数据的增加，模型的预测精度和稳定性显著提高。此外，微调模型在应用于新场景时表现优异，仅需少量新数据即可达到较高的预测精度。
具体结果包括： 1. 模型性能对比：ASAP-Net在预测最大温度时的平均MTRE为2.83%，平均MHRE为2.51%，表明模型能够准确预测温度场的全局和局部信息。与Pix2Pix和U-Net相比，ASAP-Net在生成温度场图像时具有更高的结构相似性（SSIM值达到0.945）。 2. 训练数据规模的影响：当训练数据较少时，模型的预测误差较大，但随着训练数据的增加，误差逐渐减小。研究表明，仅需32个训练数据即可达到较高的预测精度，这为实际工程应用提供了可能。 3. 微调模型的性能：通过使用预训练权重，微调模型在新场景下的预测误差显著降低，MTRE和MHRE分别提高了28.4%和25.4%。
本研究提出了一种基于CGAN的快速温度场预测方法，能够显著减少计算时间和能耗，为电子设备的热管理设计提供了高效的工具。与传统的CAE仿真相比，ASAP-Net模型在预测温度场时能够将计算速度提高数个数量级，并大幅降低能耗。此外，该方法具有较高的扩展性，能够通过几何编码标签适应不同的散热场景，为未来的热管理优化提供了新的思路。
本研究通过CGAN方法成功构建了从多结构参数到PCB稳态温度场分布的映射模型。实验表明，ASAP-Net模型能够准确预测复杂散热结构下的温度场分布，且在训练数据较少的情况下仍能保持较高的预测精度。通过微调方法，模型能够利用历史数据快速适应新场景，为实际工程应用提供了有力支持。未来的研究可以进一步探索如何通过添加物理信息或使用简化模型进行微调，以提高模型在低温区域的预测精度。