动态模态分解驱动奖励的深度强化学习在主动流控中的应用
流体动力学
2021-08-10 v2
摘要
本文关注于通过基于动态模态分解（DMD）的奖励函数实施深度强化学习（DRL），对圆柱绕流采用合成射流进行主动流控（AFC）。作为影响 DRL 模型的主要因素，奖励由通过对仿真测量值执行 DMD 从流场提取的信息确定。借助数据驱动的奖励，DRL 模型能够通过流场更全局的信息学习 AFC 策略，并控制合成射流的质量流量。作为此类 AFC 的结果，涡街被稳定，阻力降低约 8%，回流区改善约 109%。此外，利用对完整流场速度测量的 DMD 研究了由 AFC 修正的流动构型。
引用
@article{arxiv.2106.06176,
title = {An application of data driven reward of deep reinforcement learning by dynamic mode decomposition in active flow control},
author = {Sheng Qin and Shuyue Wang and Jean Rabault and Gang Sun},
journal= {arXiv preprint arXiv:2106.06176},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:1808.07664 by other authors