鲁棒且自适应的深度强化学习用于增强不同雷诺数下方柱绕流控制
流体动力学
2024-09-27 v4
摘要
本研究将深度强化学习（DRL）算法应用于受限方柱二维流动的主动流动控制（AFC）。具体而言，采用软演员-评论家（SAC）算法来调节放置在受限方柱上下表面的一对合成射流的流动，流动构型的雷诺数 分别为 100、200、300 和 400。研究首先分析了无主动控制时的基准流动。观察到在 和 时，涡脱落呈现单频特性。相反，在 和 时，涡脱落由多频主导，表明流动特征更为复杂。通过应用 SAC 算法，我们展示了基于 DRL 的控制能够有效抑制涡脱落，同时显著减小阻力和升力波动。定量上，数据驱动的主动控制策略在 、200、300 和 400 时分别实现了约 14.4%、26.4%、38.9% 和 47.0% 的减阻。为了理解底层控制机制，我们还展示了详细的流场对比，展示了 DRL 在针对不同 动态条件制定不同控制策略方面的适应性。这些发现证实了 DRL 在控制混沌、多频主导的涡脱落现象方面的能力，强调了 DRL 在复杂 AFC 问题中的鲁棒性。
引用
@article{arxiv.2404.12123,
title = {Robust and Adaptive Deep Reinforcement Learning for Enhancing Flow Control around a Square Cylinder with Varying Reynolds Numbers},
author = {Wang Jia and Hang Xu},
journal= {arXiv preprint arXiv:2404.12123},
year = {2024}
}