通过强化学习壁模型实现大涡模拟中的对数律恢复

本文关注将强化学习（RL）作为一种机器学习（ML）建模工具用于近壁湍流。RL已证明其在解决高维问题（尤其在博弈等领域）中的有效性。尽管潜力巨大，RL仍未被广泛用于湍流建模，而主要用于流动控制与优化。本工作开发了一种名为VYBA23的新型RL壁模型（WM），其使用分散在近壁流动中的智能体。该模型在单一雷诺数（$Re_\tau = 10^4$）上训练，且不依赖于高保真数据，因为反向传播过程基于奖励而非输出误差。RLWM的状态（即智能体对环境的表征）经过归一化以去除对雷诺数的依赖。该模型在半通道流中于十一个不同雷诺数（$Re_\tau \in [180;10^{10}]$）下进行了测试，并与另一种RLWM（BK22）及平衡壁模型进行比较。还研究了改变智能体参数（如动作范围、时间步长和间距）的影响。结果令人鼓舞，显示对平均流场影响甚微，但对壁面剪切应力涨落和速度涨落有一定影响。本工作为开发能够恢复物理定律的RLWM，以及未来将此类ML模型推广至更复杂流动提供了积极前景。