基于可微求解器的双向耦合流体系统控制
机器学习
2022-06-02 v1
摘要
我们研究使用深度神经网络控制复杂非线性动力系统，具体而言是浸没在流体中的刚体运动。我们用双向耦合求解 Navier-Stokes 方程，这会产生非线性扰动，使控制任务极具挑战性。神经网络以无监督方式训练，通过从可微模拟器学习的过程充当具有期望特性的控制器。在此我们引入一组物理可解释的损失项，使网络学习鲁棒且稳定的交互。我们证明，在静止初始条件的规范设置中训练的控制器能可靠地推广到多样且具挑战性的环境，例如先前未见的来流条件和外力，尽管它们没有任何流体信息作为输入。此外，我们表明，采用我们方法训练的控制器在评估指标和泛化能力方面优于多种经典和基于学习的替代方案。
引用
@article{arxiv.2206.00342,
title = {Control of Two-way Coupled Fluid Systems with Differentiable Solvers},
author = {Brener Ramos and Felix Trost and Nils Thuerey},
journal= {arXiv preprint arXiv:2206.00342},
year = {2022}
}
备注
24 pages, 18 figures