面向人类可解释的混合层反馈控制自动化学习
流体动力学
2020-09-01 v1
摘要
我们提出一种从控制律集合及相应时间分辨流场快照出发的流动控制行为自动化分析。输入可以是机器学习控制（MLC）的丰富数据库，该数据库在受控对象中优化针对代价函数的反馈律。所提方法提供：(1) 对控制景观的洞察，其将控制律映射至性能，含极值与山脊线；(2) 代表性流态目录及其对所研控制律代价函数的贡献；(3) 动力学可视化。关键赋能手段为机器学习的分类与特征提取方法。该分析成功应用于混合层稳定化，其中基于传感器的反馈驱动上游作动器，脉动能量降低了 26%。该控制以更高频、更低能量的 Kelvin-Helmholtz 结构取代无控制时的 Kelvin-Helmholtz 涡及其后续涡配对。这些努力旨在实现人类可解释、全自动的 MLC 分析，识别定性不同的驱动机制，提炼相应相干结构，并构建受控对象的数字孪生。
引用
@article{arxiv.2008.12924,
title = {Towards human-interpretable, automated learning of feedback control for the mixing layer},
author = {Hao Li and Guy Y. Cornejo Maceda and Yiqing Li and Jianguo Tan and Marek Morzyński and Bernd R. Noack},
journal= {arXiv preprint arXiv:2008.12924},
year = {2020}
}
备注
Submitter to Journal of Fluid Mechanics