基于机器学习与控制理论混合使用的流动控制

流动控制通过减轻环境负担，对可持续社会具有巨大贡献潜力。然而，流体流动的高维和非线性特性给高效控制律的设计带来了挑战。本文旨在提出一种用于流体流动反馈控制的混合方法（即机器学习与控制理论）。我们提出了部分非线性线性系统提取自编码器（pn-LEAE），其由基于卷积神经网络的自编码器（CNN-AE）和一个用于提取低维潜在动态的自定义层组成。该pn-LEAE基本提取一个线性动力系统，以便现代控制理论易于应用，但同时设计用于捕捉潜在动态的非线性发展。我们展示了pn-LEAE提取的线性系统的有效性，以及所设计控制律在雷诺数 ${\rm Re}_{D}=100$ 下圆柱绕流中的有效性。这是首次尝试利用CNN-AE对涉及瞬态发展的流体流动进行线性化以设计反馈控制律。