实战中的深度强化学习：圆柱圆柱涡诱振动的实时控制
机器学习
2025-09-30 v1 人工智能
流体动力学
摘要
本研究展示了深度强化学习（DRL）在雷诺数为3000的圆柱管上进行活塞式流体控制（AFC）中应用于激波诱振动（VIV）的实验部署。不同于以往依赖低雷诺数数值仿真的 prior work，本研究在具有挑战性的实验环境中实现了实时控制，成功应对了执行器延迟等实际约束。当学习算法仅提供状态反馈（管振位移和速度）时，DRL智能体学习了一种低频旋转控制策略，实现了最高80%的振动抑制，利用传统的锁定现象。虽然该抑制水平显著，但仍低于使用高频旋转执行器所实现的性能。性能下降归因于执行延迟，可通过增强学习算法以过去的控制动作来缓解，从而使智能体学习一种高频旋转控制策略，有效修改涡脱落，实现超过95%的振动衰减。这些结果表明DRL在现实实验中的适应性，以及其克服执行器滞后等仪器局限性的能力。
引用
@article{arxiv.2509.24556,
title = {Deep Reinforcement Learning in Action: Real-Time Control of Vortex-Induced Vibrations},
author = {Hussam Sababha and Bernat Font and Mohammed Daqaq},
journal= {arXiv preprint arXiv:2509.24556},
year = {2025}
}