Dynamic Feature-based Deep Reinforcement Learning for Flow Control of Circular Cylinder with Sparse Surface Pressure Sensing

要約

この研究では、深層強化学習を出発点として、センサー情報がまばらであるというさらなる課題を伴う、より低い抗力とより低い揚力の変動をターゲットとした閉ループシリンダー後流制御の自己学習アルゴリズムを提案します。
DRL のパフォーマンスは、センサー信号を将来の流れの状態を予測する動的特徴 (DF) に引き上げることによって大幅に向上します。
結果として得られる動的特徴ベース DRL (DF-DRL) は、動的モデルを使用せずにプラント内のフィードバック制御を自動的に学習します。
結果は、直接センサーフィードバックに基づいて、DF-DRL モデルの抗力係数が標準モデルより 25% 小さいことを示しています。
さらに重要なことは、DF-DRL は面圧センサーを 1 つだけ使用することで、抗力係数を Re = 100 で約 8% という最先端の性能に低減し、揚力係数の変動を大幅に軽減できることです。
したがって、DF-DRL を使用すると、制御パフォーマンスを低下させることなく、流れのまばらなセンシングを導入できます。
この方法は、より高いレイノルズ数の下での流れを制御する際の優れたロバスト性も示しており、Re = 500 および 1000 で抗力係数がそれぞれ 32.2% および 46.55% 減少し、この方法の幅広い適用可能性が示されています。
現実的なシナリオでは、流速情報よりも表面圧力情報の方が簡単に測定できるため、この研究は、壁圧信号に基づいて円筒の能動流量制御を実験的に設計するための貴重な参考資料となり、インテリジェント制御のさらなる開発に向けた重要なステップとなります。
現実的な多入力多出力 (MIMO) システムで。

要約(オリジナル)

This study proposes a self-learning algorithm for closed-loop cylinder wake control targeting lower drag and lower lift fluctuations with the additional challenge of sparse sensor information, taking deep reinforcement learning as the starting point. DRL performance is significantly improved by lifting the sensor signals to dynamic features (DF), which predict future flow states. The resulting dynamic feature-based DRL (DF-DRL) automatically learns a feedback control in the plant without a dynamic model. Results show that the drag coefficient of the DF-DRL model is 25% less than the vanilla model based on direct sensor feedback. More importantly, using only one surface pressure sensor, DF-DRL can reduce the drag coefficient to a state-of-the-art performance of about 8% at Re = 100 and significantly mitigate lift coefficient fluctuations. Hence, DF-DRL allows the deployment of sparse sensing of the flow without degrading the control performance. This method also shows good robustness in controlling flow under higher Reynolds numbers, which reduces the drag coefficient by 32.2% and 46.55% at Re = 500 and 1000, respectively, indicating the broad applicability of the method. Since surface pressure information is more straightforward to measure in realistic scenarios than flow velocity information, this study provides a valuable reference for experimentally designing the active flow control of a circular cylinder based on wall pressure signals, which is an essential step toward further developing intelligent control in realistic multi-input multi-output (MIMO) system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google