机构名称：
¥ 3.0
是一种有前途的机器学习方法，用于主动流量控制（AFC），深入加固学习（DRL）已成功地用于各种情况下，例如在层状和易变的湍流条件下的固定气缸的拖动减少。但是，DRL在AFC中的当前应用仍然存在缺点，包括过度传感器使用，不清楚的搜索路径和不足的鲁棒性测试。在这项研究中，我们的目标是通过应用DRL引导的自我旋转来抑制圆柱体在锁定条件下的涡流诱导的振动（VIV）来解决这些问题。只有由圆柱体的加速度，速度和位移组成的状态空间，DRL代理就学习了一种有效的控制策略，该策略成功地抑制了99的VIV幅度。6％。通过在感觉运动提示的不同组合和灵敏度分析之间进行系统的比较，我们确定了与流动物理学相关的搜索路径的三个不同阶段，其中DRL代理会调整动作的幅度，频率和相位滞后。在确定性控制下，仅需要一点强迫来维持控制性能，并且体内频率仅受到略微影响，这表明目前的控制策略与利用锁定效应的效果不同。通过动态模式分解分析，我们观察到，在受控情况下，主导模式的增长率均为负面，表明DRL明显增强了系统稳定性。此外，涉及各种雷诺数字和上游扰动的测试证实了学习的控制策略是可靠的。最后，本研究表明，DRL能够用很少的传感器控制VIV，从而使其有效，有效，可解释和健壮。我们预计DRL可以为AFC提供一个一般框架，并对基础物理学有更深入的了解。
深度强化学习找到了涡流的新策略...
主要关键词
相关文件推荐
