利用机器学习控制优化射流混合

我们基于 Li 等人（2017）的方法，利用机器学习控制（MLC）对湍流圆射流的混合进行实验优化。射流由靠近喷口处沿壁面法向吹入的一个非定常微型射流操控。流动由两只热丝传感器监测：第一只位于喷口下游 5 倍射流直径的中心线上（即势核末端），第二只位于下游 3 倍射流直径且偏向剪切层处。混合性能由第一只传感器处的平均速度监测，该速度降低对应于势核附近卷吸增强。采用机器学习控制（MLC）优化传感器反馈、通用开环宽带频率激励及二者组合。MLC 仅用 400 次各持续 5 秒的激励测量便识别出以极小占空比的最优周期强迫为最佳控制策略。该学习速率与典型的双自由参数（频率与占空比）周期强迫优化相当甚至更快。此外，MLC 结果表明无论新频率还是传感器反馈均未进一步改善混合——这与许多其他湍流控制实验相反。纯周期激励的最优性可归因于微型射流平面中简单的射流拍动机制。传感器反馈的性能在小占空比时面临挑战。射流混合结果展示了 MLC 在快速学习最优通用控制策略（甚至能在开环与闭环控制间抉择）方面尚未开发的潜力。