基于强化学习控制瑞利-贝纳尔对流

热对流在自然界及许多工业应用中无处不在。在固定外部热梯度下，识别有效的控制策略以抑制或增强对流热交换，是一个突出的基础与技术问题。本工作中，我们探索一种基于最先进强化学习（RL）算法的新方法，该方法通过对系统下边界施加微小温度波动，能够显著减少二维瑞利-贝纳尔系统中的热传输。通过数值模拟，我们表明基于RL的控制能够稳定传导态，并将对流起始的瑞利数提高到 $Ra_c \approx 3 \cdot 10^4$，而在无控制情形下 $Ra_{c}=1708$。此外，对于 $Ra > 3 \cdot 10^4$，我们的方法优于其他最先进的控制算法，将热通量降低了约 $2.5$ 倍。在文稿的最后部分，我们讨论了与控制此处所考虑的不稳定且混沌的动力学相关的理论极限。我们表明，可控性受到可观测性和/或驱动动作能力的阻碍，这可以用特征时间延迟来量化。当这些延迟与系统的李雅普诺夫时间相当时，控制变得不可能。