基于少量传感器反馈与测量噪声的机器学习流动控制
流体动力学
2022-04-25 v2
摘要
对用于主动流动控制的机器学习(machine learning, ML)方法进行了对比评估。所选基准问题为低雷诺数()下二维圆柱尾流卡门涡街的减阻。流动由圆柱上下两侧的两个吹/吸作动器操控。反馈采用若干速度传感器。评估了两种探针配置：位于圆柱周围及尾流中不同位置的 5 个和 11 个速度探针。控制律通过深度强化学习(Deep Reinforcement Learning, DRL)与线性遗传编程控制(Linear Genetic Programming Control, LGPC)优化。通过与非定常尾流相互作用，两种方法均成功稳定了涡街并以较小的作动质量流量有效减阻。DRL 对变初值条件及传感器数据噪声污染表现出更高的鲁棒性；另一方面，LGPC 能够识别出紧凑且可解释的控制律，其仅使用传感器子集，从而以相当好的结果降低了系统复杂度。本研究指出了未来结合不同方法优点的机器学习控制方向。
引用
@article{arxiv.2202.12685,
title = {Machine learning flow control with few sensor feedback and measurement noise},
author = {R. Castellanos and G. Y. Cornejo Maceda and I. de la Fuente and B. R. Noack and A. Ianiro and S. Discetti},
journal= {arXiv preprint arXiv:2202.12685},
year = {2022}
}