基于梯度增强机器学习控制的多频开式腔体流动稳定化

我们将一个开式腔体流动实验稳定到其原始波动水平的 1%。首次针对该构型自动学习了多模态反馈控制。关键使能技术是利用梯度下降算法增强的机器学习对控制律进行自动原位优化，称为梯度增强机器学习控制（Cornejo Maceda 等人 2021，gMLC）。研究表明，gMLC 的学习速度比 MLC（Duriez 等人 2017，MLC）快一个数量级。反馈机制的物理诠释借助一种新颖的基于聚类的控制律可视化方法，用于流动动力学及相应驱动指令。控制实验的起点是两个无强迫开式腔体基准构型：一个具有单一主导频率的窄带宽工况，以及一个两种频率竞争的模态切换工况。反馈控制指令位于前缘的 DBD 执行器。流动由跨越后缘的下游热丝传感器监测。反馈律针对监测到的波动水平进行优化。作为参考，混合层的自振荡通过稳态驱动得到抑制。随后，利用 gMLC 优化反馈控制器。正如预期，反馈控制优于稳态驱动，同时实现了更好的幅值衰减和显著更小的驱动功率，约为达到类似抑制效果的稳态强迫所需驱动能量的 1%。有趣的是，针对一种工况学习到的优化律在另一种未测试的工况下也表现良好。所提出的控制策略有望适用于许多其他剪切流实验。