冷媒漏れは冷凍空調システムのエネルギー効率損失の主要な故障原因です。本論文では、物理情報に導かれた半教師あり回帰モデル（PG-SSR）を革新的に提案し、エネルギー保存方程式で計算された冷媒循環量を神経ネットワークにモデルの指導情報として埋め込みました。また、最大平均差（MMD）とMCドロップアウトによる冷媒量の擬似ラベルの共同生成メカニズムを導入し、高信頼度ラベルを生成し、大量の未ラベルデータ情報を利用して学習サンプルを拡張および強化し、少量サンプル状況下で冷媒の高精度定量予測を実現しました。分体型エアコンの冷媒漏れ実験データを用いて検証した結果、同等の少量サンプル条件下でPG-SSRは基準モデルと比較してRMSEを22.91 g（64.48％）削減し、MAPEを3.86％（68.93％）削減し、基準モデルを大幅に上回る性能を示し、冷媒循環量の物理情報誘導と共同補正された擬似ラベル生成が冷媒量識別における相乗効果を明らかにしました。

冷媒量; 半教師あり回帰; 物理情報誘導; 擬似ラベル