Aerodynamic and structural airfoil shape optimisation via Transfer Learning-enhanced Deep Reinforcement Learning

要約

このペーパーの主な目的は、併用空力および構造基準に基づいてエアフォイルのジオメトリを最適化できる転送学習強化、多目的、深い強化学習（DRL）方法論を導入することです。
この方法を紹介するために、最大厚さでモデル化されているように、翼の構造的完全性を維持しながら、リフトとドラッグの比率$ C_L/C_D $を最大化することを目指し、DRLエージェントを異なる転送学習（TL）戦略のリストを使用して訓練します。
DRLエージェントのパフォーマンスは、従来のグラデーションフリー最適化法である粒子群最適化（PSO）と比較されます。
結果は、DRLエージェントが多目的形状の最適化を実行できること、DRLアプローチが計算効率と形状最適化パフォーマンスの点でPSOを上回ること、およびTL強化DRLエージェントがDRL 1に匹敵するパフォーマンスを達成しながら、かなりの計算リソースをさらに節約することを示しています。

要約(オリジナル)

The main objective of this paper is to introduce a transfer learning-enhanced, multi-objective, deep reinforcement learning (DRL) methodology that is able to optimise the geometry of any airfoil based on concomitant aerodynamic and structural criteria. To showcase the method, we aim to maximise the lift-to-drag ratio $C_L/C_D$ while preserving the structural integrity of the airfoil — as modelled by its maximum thickness — and train the DRL agent using a list of different transfer learning (TL) strategies. The performance of the DRL agent is compared with Particle Swarm Optimisation (PSO), a traditional gradient-free optimisation method. Results indicate that DRL agents are able to perform multi-objective shape optimisation, that the DRL approach outperforms PSO in terms of computational efficiency and shape optimisation performance, and that the TL-enhanced DRL agent achieves performance comparable to the DRL one, while further saving substantial computational resources.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google