基于深度强化学习的脉冲冲击射流传热控制
数值分析
2024-02-19 v1 机器学习
数值分析
摘要
本研究探讨了基于计算流体动力学的深度强化学习(DRL)在热控制中的适用性。为此，研究了具有可变速度的脉冲冷却射流作用于热板上的受迫对流。我们首先评估了朴素深度Q网络(DQN)方法用于热控制的效率与可行性。随后，对不同DRL变体进行了全面比较。由于其高效的学习与动作优先级能力，软双与对决DQN在所有变体中取得了更好的热控制性能。结果表明，软双DQN优于硬双DQN。此外，软双与对决DQN能在超过98%的控制周期内将温度维持在期望阈值内。这些发现展示了DRL在有效解决热控制系统方面的良好潜力。
引用
@article{arxiv.2309.13955,
title = {Deep Reinforcement Learning for the Heat Transfer Control of Pulsating Impinging Jets},
author = {Sajad Salavatidezfouli and Giovanni Stabile and Gianluigi Rozza},
journal= {arXiv preprint arXiv:2309.13955},
year = {2024}
}