利用基于简化模型的强化学习稳定瑞利-贝尔尔对流
流体动力学
2026-03-12 v2
摘要
瑞利-贝尔尔对流（RBC）是湍流和热传递的典型系统，涉及地质和工业流动。developing efficient control strategies remains challenging at high Rayleigh numbers, where fully resolved simulations are computationally expensive. 我们使用一种将数据驱动的流形动力学（DManD）与强化学习（RL）耦合的控制框架来抑制对流热传递。我们发现使用POD和自编码器找到坐标变换以低维系统，然后使用神经ODE学习该低维状态的演化方程。简化模型在再现关键系统特征方面具有优势，同时实现快速策略训练。在DManD环境中训练的策略部署到DNS中，可实现单边界和双边界作动作用下16-23%的努塞尔数降低。从物理角度看，所学策略调制近壁热通量以稳定和增厚热边界层，削弱液柱喷发，抑制壁驱动的不稳定性，这些不稳定性种下对流脉冲的种子。关键的是，控制器将流动引导 toward a quasi-steady state，其特征为被抑制的时序波动和空间稳定的热通量模式。该工作确立了DManD-RL作为高维流动湍流控制的可解释、可扩展的方法。
引用
@article{arxiv.2510.26705,
title = {Stabilizing Rayleigh-Benard convection with reinforcement learning trained on a reduced-order model},
author = {Qiwei Chen and C. Ricardo Constante-Amores},
journal= {arXiv preprint arXiv:2510.26705},
year = {2026}
}