流动控制中的注意力机制：基于 Transformer 的强化学习用于高度扰动流中的升力调节
流体动力学
2025-11-11 v3 机器学习
摘要
针对弱扰动设计的线性流动控制策略在强扰动序列中可能因非线性相互作用而不再有效，但利用它来开发更好的策略是合理的。在本研究中，我们提出了一种基于 Transformer 的强化学习（RL）框架，用于通过俯仰控制学习在任意长阵风序列中调节气动升力的有效控制策略。随机阵风产生的间歇性、高方差流动仅通过有限的表面压力传感器观测到，使该控制问题本质上比稳态流动更具挑战性。Transformer 解决了有限表面压力带来的部分可观测性挑战。我们证明，通过两种技术可以加速训练——使用专家策略（此处为线性控制）进行预训练，以及任务级迁移学习（此处将训练于孤立阵风上的策略扩展到多个阵风）。我们表明，所学策略优于最佳比例控制，且性能差距随阵风数量增加而扩大。在少量连续阵风环境中学到的控制策略被证明能有效泛化到具有任意长阵风序列的环境中。我们研究了俯仰配置，并表明四分之一弦长俯仰控制可以以显著更少的控制努力实现优越的升力调节。通过对升力的分解，我们将这一优势归因于通过四分之一弦长俯仰可获取的主导附加质量贡献。
引用
@article{arxiv.2506.10153,
title = {Attention on flow control: transformer-based reinforcement learning for lift regulation in highly disturbed flows},
author = {Zhecheng Liu and Jeff D. Eldredge},
journal= {arXiv preprint arXiv:2506.10153},
year = {2025}
}