面向不确定性下的高超声速进气未启动控制的通用深度强化学习

高超声速未启动现象是 Mach 5 以上可靠空气动力发动机的重大挑战，其中强烈的冲击-边界层相互作用和快速的压力波动会使进气运行不稳定。本文演示了一种基于深度强化学习 (DRL) 的主动流动控制策略，用于控制 Mach 5 及雷诺数 $5\times 10^6$ 下的二维标准高超声速进气的未启动现象。内部 CFD 汤解器支持高保真仿真，采用自适应网格细化，解析关键流动特征，包括冲击波运动、边界层动力学和流分离，这些都是学习适用于实际部署的物理一致控制策略所必需的。DRL 控制器在代表不同燃烧室条件的宽范围背压下稳定了进气，并进一步泛化到不同的背压水平、雷诺数和传感器配置、以及带有噪声测量的场景中，从而展示了强大的零样本泛化能力。在存在噪声传感器测量的情况下，控制仍稳健，最小化、最佳选择的传感器集合即可实现相当的性能，为实际实现提供了可能。这些结果建立了一种在现实操作不确定性下的实时高超声速流动控制的数据驱动方法。