主动流控中机器学习方法的比较分析
流体动力学
2023-03-22 v3 机器学习
神经与进化计算
摘要
遗传规划(GP)和强化学习(RL)等机器学习框架在流控中日益流行。本文对二者进行 comparative 分析,将其一些最具代表性的算法与贝叶斯优化(BO)和 Lipschitz 全局优化(LIPO)等全局优化技术进行基准比较。首先,我们回顾无模型控制问题的一般框架,将所有方法统一为黑盒优化问题。随后,我们在三个测试用例上测试这些控制算法:分别是(1)具有频率串扰的非线性动力系统稳定化,(2)Burgers 流的波抵消,以及(3)圆柱尾流中的减阻。我们给出全面比较,以阐明它们在探索与利用上的差异,以及控制律定义中“模型容量”与“所需复杂度”之间的平衡。我们认为此类比较为各种方法的杂交铺平了道路,并就它们在流控问题文献中的未来发展提供了一些展望。
引用
@article{arxiv.2202.11664,
title = {Comparative analysis of machine learning methods for active flow control},
author = {Fabio Pino and Lorenzo Schena and Jean Rabault and Miguel A. Mendez},
journal= {arXiv preprint arXiv:2202.11664},
year = {2023}
}
备注
submitted to Journal of Fluid Mechanics