Durante las operaciones de la nave espacial, las estructuras experimentan un calentamiento aerodinámico extremo, lo que requiere pruebas térmicas para recopilar datos sobre la respuesta térmica de los materiales de superficie. Dada la naturaleza no repetible de estos artículos de prueba, predecir con precisión el perfil de aumento de temperatura bajo cargas térmicas es esencial antes de las pruebas formales. Aunque los análisis teóricos pueden desarrollar modelos precisos de transferencia de calor interno para los módulos, los datos de prueba limitados obstaculizan la modelización de los procesos de transferencia de calor entre módulos. Además, las variaciones en los parámetros de los artículos de prueba en diferentes pruebas restringen la generalizabilidad de los modelos existentes. Presentamos un enfoque de modelización híbrido que integra un modelo físico con una red de memoria a largo y corto plazo (LSTM) para abordar estos desafíos. El modelo LSTM se entrena con datos históricos para capturar dinámicas complejas de transferencia de calor entre módulos. Además, se incluyen parámetros variables de los artículos de prueba como entradas del modelo para mejorar la versatilidad y adaptabilidad. Los experimentos demuestran que el modelo logra una alta precisión de predicción (MAE = 17.41 (K) R = 0.9988) incluso cuando los parámetros de los artículos de prueba difieren de los datos históricos. Además, muestra una fuerte adaptabilidad a los cambios en la señal de potencia de entrada (MAE = 34.91 (K) R = 0.9990). Este estudio predice con éxito los perfiles de temperatura durante las pruebas térmicas utilizando datos de prueba mínimos, mejorando así la eficiencia computacional y reduciendo los costos de prueba, lo que facilita la implementación efectiva de pruebas térmicas formales.