基于 SPH 模拟和深度强化学习对振荡波浪浸没转换器进行自适应优化
计算工程、金融与科学
2024-10-14 v1
摘要
振荡波浪浸没转换器（OWSC）的非线性阻尼特性显著影响功率取出系统的性能。本研究提出了一种将深度强化学习（DRL）与 OWSC 数值模拟相集成的框架，以在不同波浪条件下识别最佳自适应阻尼策略，从而提高波浪能源收集效率。首先，采用开源多物理库 SPHinXsys 和 Simbody 建立了波浪与 OWSC 相互作用的数值环境。随后，对三种 DRL 算法——比例策略优化（PPO）、双延迟深度确定性策略梯度（TD3）和软演员-评论员（SAC）——进行了比较分析，基于二维（2D）OWSC 与规则波浪相互作用的数值研究。结果表明，人工神经网络能够捕捉波浪-结构相互作用的非线性特征，提供高效的 PTO 策略。值得注意的是，SAC 算法在鲁棒性和准确性方面表现突出，实现了 10.61% 的波浪能源收集提升。此外，将在二维环境中训练的策略成功应用于三维（3D）研究，能源收集提升 22.54%。此外，本研究表明，对于复杂不规则波浪，能源收集提高了 6.42%。然而，对于复杂的双 OWSC 系统，仅优化阻尼特性以提升能源收集是不够的。
引用
@article{arxiv.2410.08871,
title = {Adaptive optimization of wave energy conversion in oscillatory wave surge converters via SPH simulation and deep reinforcement learning},
author = {Mai Ye and Chi Zhang and Yaru Ren and Ziyuan Liu and Oskar J. Haidn and Xiangyu Hu},
journal= {arXiv preprint arXiv:2410.08871},
year = {2024}
}
备注
67 pages and 25 figures