基于深度强化学习的鲁棒流动控制与最优传感器布置
流体动力学
2020-06-23 v2
摘要
本文关注于二维模拟圆柱绕流层流中的减阻控制策略。已实现深度强化学习算法以发现高效控制方案，使用位于圆柱两极的两个合成射流作为执行器，并以圆柱尾流中的压力传感器作为反馈观测。本工作聚焦于所识别控制策略的效率与鲁棒性，并引入一种新算法（S-PPO-CMA）以优化传感器布局。获得了在雷诺数 120 下减阻 18.4% 的节能控制策略。该控制策略被证明对 [100,216] 范围内的雷诺数及测量噪声均具有鲁棒性，在信噪比低至 0.2 时性能影响可忽略。连同对传感器数量与位置的系统性研究，所提出的稀疏性寻求算法成功优化至精简的 5 传感器布局，同时保持了最先进的性能。这些结果凸显了强化学习在主动流动控制中的有趣潜力，并为这些控制技术在实验或工业系统中的高效、鲁棒和实用部署铺平了道路。
引用
@article{arxiv.2006.11005,
title = {Robust flow control and optimal sensor placement using deep reinforcement learning},
author = {Romain Paris and Samir Beneddine and Julien Dandois},
journal= {arXiv preprint arXiv:2006.11005},
year = {2020}
}
备注
31 pages, 22 figures