Gym-preCICE: Reinforcement Learning Environments for Active Flow Control

要約

タイトル：Gym-preCICE：アクティブフロー制御のための強化学習環境

要約：
– アクティブフロー制御(AFC)は、流体の流れを時間的に操作して望ましい性能や効率を達成することを意味する
– AFCは、連続最適化タスクとして、動的最適化のために強化学習(RL)を利用することができる
– この論文では、PythonアダプターであるGym-preCICEを紹介し、単一および複数の物理学的AFCアプリケーションのためにRL環境を設計および開発するのに役立つ
– Gym-preCICEは、アクターとAFCシミュレーション環境の情報交換を処理するために、オープンソースのカプリングライブラリであるpreCICEを利用する
– 開発されたフレームワークは、現実的な物理ベースのシミュレーションツールボックスをRLアルゴリズムとシームレスに統合することを可能にする
– Gym-preCICEは、AFCタスクをモデル化するためのRL環境を設計するためのフレームワークと、さまざまなAFC関連のエンジニアリングアプリケーションにRLアルゴリズムを適用するためのプレイグラウンドを提供する

要約(オリジナル)

Active flow control (AFC) involves manipulating fluid flow over time to achieve a desired performance or efficiency. AFC, as a sequential optimisation task, can benefit from utilising Reinforcement Learning (RL) for dynamic optimisation. In this work, we introduce Gym-preCICE, a Python adapter fully compliant with Gymnasium (formerly known as OpenAI Gym) API to facilitate designing and developing RL environments for single- and multi-physics AFC applications. In an actor-environment setting, Gym-preCICE takes advantage of preCICE, an open-source coupling library for partitioned multi-physics simulations, to handle information exchange between a controller (actor) and an AFC simulation environment. The developed framework results in a seamless non-invasive integration of realistic physics-based simulation toolboxes with RL algorithms. Gym-preCICE provides a framework for designing RL environments to model AFC tasks, as well as a playground for applying RL algorithms in various AFC-related engineering applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI