基于深度Q网络的气动翼型形状优化
机器学习
2022-12-01 v1 流体动力学
摘要
本文探讨了使用强化学习进行翼型形状优化的可行性。深度Q网络(DQN)被应用于马尔可夫决策过程，通过学习对初始形状的最佳改变来实现所需目标，从而寻找最优形状。翼型剖面使用贝塞尔控制点生成，以减少控制变量数量。控制点位置的变化被限制为垂直于弦线的方向，以降低优化复杂度。该过程被设计为对剖面每个控制点所施加的一组改变的搜索过程。DQN本质上通过更新贝尔曼最优方程的时序差分来学习最佳改变序列。阻力与升力系数由沿剖面的压力系数分布计算得出，该分布使用XFoil势流求解器求得。这些系数被用于在学习过程中为每一次改变提供奖励，其最终目标是最大化一个序列的累积奖励。
引用
@article{arxiv.2211.17189,
title = {Airfoil Shape Optimization using Deep Q-Network},
author = {Siddharth Rout and Chao-An Lin},
journal= {arXiv preprint arXiv:2211.17189},
year = {2022}
}
备注
Conference: 72nd Annual Meeting of the APS Division of Fluid Dynamics,Seattle, WA, USA Volume: Volume 64, Number 13