通过深度强化学习学习超临界翼型的气动设计
计算工程、金融与科学
2021-09-21 v2 数据分析、统计与概率
摘要
现代民用飞机的气动设计需要真正的智能，因为这要求对跨声速空气动力学有良好的理解并具备充足经验。强化学习是一种通用人工智能，能够通过试错习得复杂技能，而非简单地从数据中提取特征或做预测。本文利用深度强化学习算法学习降低超临界翼型气动阻力的策略。该策略被设计为基于壁面马赫数分布的特征采取行动，从而使习得的策略更具通用性。强化学习的初始策略通过模仿学习预训练，并与随机生成的初始策略进行比较。随后该策略在基于代理模型的环境中训练，其中 200 个翼型的平均阻力降低可通过强化学习有效改善。该策略还通过使用计算流体动力学计算、在多类翼型的不同流动条件下进行测试。结果表明，该策略在训练条件与其他类似条件下均有效，且可重复应用以实现更大阻力降低。
引用
@article{arxiv.2010.03651,
title = {Learning the aerodynamic design of supercritical airfoils through deep reinforcement learning},
author = {Runze Li and Yufei Zhang and Haixin Chen},
journal= {arXiv preprint arXiv:2010.03651},
year = {2021}
}
备注
32 pages, 25 figures