中文

深度强化学习在湍流风洞流动分离控制中的应用

流体动力学 2026-08-11 v1
作者: Sofia Avdiiv , Andre Weiner , Ben Steinfurth
在 arXiv 上查看 ↗ PDF ↗

摘要

本研究探讨了深度强化学习(DRL)作为一种无模型闭环主动分离控制工具在单侧扩压器上的全湍流风洞流动中的应用。智能体控制一组磁阀(开/关),将压缩空气喷射入边界层,而环境状态则简化为放置在自然瞬态分离点附近的单个壁面剪切应力传感器的信号。控制律通过近端策略优化实时学习。与基于动作后所有奖励加权求和的标准学习设计相比,我们证明与流动对流时间对齐的时间范围能够带来更快的收敛速度和更稳健的控制策略。所得控制律对应一种低占空比驱动模式,产生约53%53\%的前向流动比例。这与传统和优化的周期性开环控制(分别约为40%40\%和51%51\%)相比具有优势。本文的研究结果表明,当嵌入在线实验时,DRL是识别稳健且可解释的主动分离控制策略的有效工具。

关键词

深度强化学习 分离控制 湍流 主动流动控制 近端策略优化

引用

@article{arxiv.2608.10829,
  title  = {Deep reinforcement learning for separation control in turbulent wind-tunnel flow},
  author = {Sofia Avdiiv and Andre Weiner and Ben Steinfurth},
  journal= {arXiv preprint arXiv:2608.10829},
  year   = {2026}
}