面向共轭传热控制的深度强化学习及其在工件冷却中的应用
流体动力学
2021-03-25 v2 最优化与控制
摘要
本研究考察了深度强化学习（DRL）技术辅助控制由耦合 Navier--Stokes 方程与热方程支配的共轭传热系统的能力。它使用了近端策略优化（PPO）算法的一种新颖的“退化”版本，该版本适用于神经网络待学习的最优策略不依赖于状态的情形，这在优化与开环控制问题中尤为典型。馈入神经网络的数值奖励由内部稳定的有限元环境计算，该环境结合了控制方程的变分多尺度（VMS）建模、沉浸体积法以及多组分各向异性网格自适应。若干二维与三维自然对流和强制对流测试用例被用作开发该方法论的试验台。该方法成功缓解了由分段恒定侧壁温度波动控制的二维差加热方形腔中自然对流引起的传热增强。它还被证明能够改善二维和三维热工件在冲击冷却下表面的温度均匀性。处理了多种情形，其中多个冷气喷射器的位置相对于固定的工件位置进行了优化。数值框架的灵活性使得求解逆问题（即相对于固定的喷射器分布优化工件位置）也是可行的。所得结果展示了该方法在具有实际意义的 computational fluid dynamics（CFD，计算流体动力学）共轭传热系统黑盒优化中的潜力。
引用
@article{arxiv.2011.15035,
title = {Deep reinforcement learning for the control of conjugate heat transfer with application to workpiece cooling},
author = {Elie Hachem and Hassan Ghraieb and Jonathan Viquerat and Aurélien Larcher and Philippe Meliga},
journal= {arXiv preprint arXiv:2011.15035},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2006.02979