基于深度强化学习的高雷诺数湍流通道流控制
流体动力学
2025-03-19 v1
摘要
深度强化学习（DRL）用于开发湍流通道流在高雷诺数下的阻力降低控制策略。DRL 智能体利用近壁流向速度波动作为输入，调制壁面吹气和抽气速度。这些 DRL 基于的策略实现了显著的阻力降低，在 Re_τ=180 时最大阻力降低率为35.6%，在 Re_τ=550 时为30.4%，在 Re_τ=1000 时为27.7%，超越传统对抗控制方法。扩大的壁面行动范围进一步提高了阻力降低，尽管在更高雷诺数下有效性下降。DRL 模型通过吹气和抽气提升虚拟壁面，助力阻力降低。然而，在更高雷诺数下，大尺度结构的幅度调制显著增加虚拟壁面上的残余雷诺应力，削弱了阻力降低。预算方程分析提供了对阻力降低动力学的系统性理解。DRL 模型通过抑制壁面法向湍动能的再分配来减少皮肤摩擦力。这进一步抑制了壁面法向速度波动，减少了雷诺应力的产生，从而降低皮肤摩擦力。这一研究展示了 DRL 在高雷诺数湍流控制中的成功应用，阐明了观察到的阻力降低背后的非线性控制机制。
引用
@article{arxiv.2501.01573,
title = {Reinforcement-learning-based control of turbulent channel flows at high Reynolds numbers},
author = {Zisong Zhou and Mengqi Zhang and Xiaojue Zhu},
journal= {arXiv preprint arXiv:2501.01573},
year = {2025}
}