时间尺度分离：深化强化学习控制旋转爆�发发动机模式转换
流体动力学
2026-04-17 v1 机器学习
摘要
旋转爆发发动机（RDE）是一种可能比传统系统在热力学效率和比冲方面更好的推进概念，但非线性现象——包括向振荡或混沌传播模式的转换——可能阻碍实际操作。深度强化学习（DRL）已成为控制诸如 RDE 所观察到的复杂非线性动力学的有前景的方法。然而，RDE 系统的多时间尺度特性使得直接应用 DRL 提出挑战。我们通过在跟随爆炸波模式的移动参考系中重新表述 DRL 问题，使波结构对智能体看起来呈准稳态，从而实现了爆炸传播与较慢运行模式动力学之间的尺度分离。我们训练 DRL 控制器以调节在一维简化 RDE 模型中进行的空间分段注射压力，以快速在不同模式锁定状态之间进行转换。在各种作动周期、初始状态和目标模式的条件下，训练在移动参考系中的控制器比训练在静止参考系中的控制器更可靠，并且在更广泛的作动周期范围内保持有效。这些结果表明，面向相关多尺度流体控制问题的对称性感知移动参考系表述可能是有用的，并且应尽可能利用尺度分离来实现多时间尺度系统的 DRL 控制。
引用
@article{arxiv.2604.14398,
title = {Timescale Separation Enables Deep Reinforcement Learning Control of Rotating Detonation Engine Mode Transitions},
author = {Kristian Holme and Jean Rabault and Ricardo Vinuesa and Mikael Mortensen},
journal= {arXiv preprint arXiv:2604.14398},
year = {2026}
}