.png){kind=icon}
返回
DRLinSPH: an open-source platform using deep reinforcement learning and SPHinXsys for fluid-structure-interaction problems
.png){kind=icon}
OA
AI
DOI：10.1080/19942060.2025.2460677.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
流体-结构相互作用 (FSI) 问题的特征是由流体和结构之间的复杂相互作用引起的强非线性。这些对优化结构运动的传统控制策略提出了重大挑战，通常导致次优性能。相比之下，深度强化学习 (DRL) 通过数值模拟环境中的代理交互和使用深度神经网络 (dnn) 的控制策略的近似，在解决高维FSI问题方面显示出相当大的希望。此外，DRL模型的训练需要稳定的数值环境，特别是对于FSI问题。平滑粒子流体动力学 (SPH) 提供了一种灵活有效的计算方法，用于对FSI固有的大变形，裂缝和复杂的界面运动进行建模，优于传统的基于网格的方法。这项工作介绍了DRLinSPH，这是一个开源的Python平台，它将开源软件SPHinXsys提供的基于SPH的数值环境与成熟的DRL平台Tianshou集成在一起，以实现对FSI问题的并行训练。DRLinSPH已成功应用于四种FSI场景: 通过控制位移或引入变形，使用刚性和弹性挡板进行晃动抑制，分别实现68.81% 和42.92% 的最大波高降低；通过调节动力输出 (PTO) 系统的阻尼特性，通过振荡波浪涌转换器 (OWSC) 进行8.25% 改进的波能收集优化; 和肌肉驱动的鱼在涡流内的直线游泳控制。结果证明了该平台的准确性，稳定性和可扩展性，突出了其推进复杂FSI挑战的工业解决方案的潜力。
Keyword:
Smoothed particle hydrodynamics
fluid-structure interaction
deep reinforcement learning
sloshing suppression
oscillating wave surge converter
fish swimming
期刊
IF:
5.4
论文数:
1.4K
被引数:
3.9K
机构
引用论文
7-Eleven Japan and Toyota will launch joint convenience store project in autumn 20197-Eleven日本和丰田将在2019秋季推出联合便利店项目
PREAI
分享收藏Isotopic (Pb, Sr, Nd, C, O) evidence for plume-related sampling of an ancient, depleted mantle reservoir.png)
Lithos
LithosIF0
PREAI
分享收藏A transposon insertion in the gumG homologue of Xanthomonas oryzae pv. oryzae causes loss of extracellular polysaccharide production and virulence稻生黄单胞菌小种或yzae (Xanthomonas oryzae pv. oryzae) 的gumG同源物中发生转座子插入，导致细胞外多糖产生和致病力丧失。OAAI
OAAI分享收藏Application of a Moving Particle Semi-Implicit Numerical Wave Flume (MPS-NWF) to model design waves移动粒子半隐式数值波水槽 (MPS-NWF) 在模型设计波中的应用COASTAL ENGINEERING
OAAI
COASTAL ENGINEERINGIF4.5
OAAI分享收藏Applying deep reinforcement learning to active flow control in weakly turbulent conditionsPHYSICS OF FLUIDSOAAI
PHYSICS OF FLUIDSIF4.3
OAAI分享收藏Active flow control using deep reinforcement learning with time delays in Markov decision process and autoregressive policy在马尔可夫决策过程和自回归策略中使用具有时滞的深度强化学习的主动流控制PHYSICS OF FLUIDSOAAI
PHYSICS OF FLUIDSIF4.3
OAAI分享收藏Recent advances in applying deep reinforcement learning for flow control: Perspectives and future directionsPHYSICS OF FLUIDSOAAI
PHYSICS OF FLUIDSIF4.3
OAAI分享收藏分享收藏
查看更多内容