基于强化学习的主动流动控制作动器选择方法
流体动力学
2023-01-25 v1
摘要
本文通过提出一种构建于强化学习智能体之上的新方法，解决了主动流动控制的作动器选择问题。该算法从使用大量作动器预训练的智能体出发，估计潜在作动器移除对值函数（表征智能体性能）的影响。它应用于两个测试用例——一维Kuramoto-Sivashinsky方程和Re=1000下围绕翼型的层流二维流动（攻角范围12至20度），以展示其能力与局限。所提出的作动器稀疏化方法依赖于从完全展开的布局开始、顺序消除最不相关的动作分量。各分量的相关性使用基于值函数的度量来评估。结果表明，尽管仍受该内在消除范式（即顺序消除）的限制，作动器模式与所得策略仍展现出相关的性能，并允许对性能与作动器预算的帕累托前沿作出准确近似。
引用
@article{arxiv.2209.14895,
title = {Reinforcement-learning-based actuator selection method for active flow control},
author = {Romain Paris and Samir Beneddine and Julien Dandois},
journal= {arXiv preprint arXiv:2209.14895},
year = {2023}
}
备注
33 pages, 26 figures, submitted to Journal of Fluid Mechanics