基于聚类的湍流失速后分离流反馈控制

我们提出了一种新颖的无模型自学习基于聚类的控制策略，用于通用非线性反馈流动控制技术，并以翼型失速后分离流的高保真模拟作为基准。本方法将流动轨迹（力测量）划分为聚类，对应于低维特征空间中的特征粗粒化相位。然后通过迭代评估和 downhill simplex 搜索为每个聚类状态寻求反馈控制律，以最小化飞行中的功耗。流动轨迹的无监督聚类用于原位学习和粗粒化控制律的优化，以自动化方式作为关键赋能器实现。通过重新路由流动轨迹，优化后的控制律将聚类群体转移到空气动力学有利的状态。利用有限数量的传感器测量进行聚类和优化，这些反馈律仅在 $O(10)$ 次迭代中确定。本工作的目标不一定是抑制流动分离，而是最小化期望的代价函数以实现增强的空气动力学性能。本控制方法应用于 NACA 0012 翼型上二维和三维分离流的控制，采用大涡模拟，攻角为 $9^\circ$，雷诺数 $Re = 23,000$，自由流马赫数 $M_\infty = 0.3$。优化后的控制律有效最小化了飞行功耗，使流动达到低阻状态。本工作旨在解决中等雷诺数下湍流分离流自适应反馈控制设计相关的挑战。