.png){kind=icon}
返回
Model-based reinforcement learning for active flow control: escalating performance and accelerated training
.png){kind=icon}
OA
AI
DOI：10.1080/19942060.2026.2628971.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
主动流动控制（AFC）技术在实现海洋工程中的主导性减阻方面至关重要。为解决强化学习（RL）基础上的AFC所固有的显著时间消耗问题，本研究提出了一种基于模型的强化学习（MBRL）方法，用于圆形圆柱体周围的主动流动控制。构建了覆盖Re=100–1000不同条件下的代理模型，以增强控制策略并减少训练时间，取代传统的基于计算流体动力学（CFD）的RL环境。MBRL策略在Re为100、200、500和1000时分别实现了14.6%、25.4%、31.2%和21.8%的减阻率，证明了基于模型的强化学习方法在主动流动控制中的有效性。考虑到高雷诺数流场预测中的数据稀缺性和复杂性，实施了一种迁移训练策略。在Re=1000处重新训练和微调后，减阻率提升至36.2%。同时，所提出的方法相比单线程实现显著加快了策略优化，将收敛所需时间缩短了数量级。本研究通过建立基于模型的框架，推动了深度强化学习在流体动力学中的应用。MBRL方法能够有效适应复杂流场变化，促进流动性能优化，并有望在未来实现主动流动控制技术在多样化和复杂流体环境中的广泛应用。
Keyword:
Model-based reinforcement learning
active flow control
drag reduction
flow over cylinder
期刊
IF:
5.4
论文数:
1.5K
被引数:
3.9K
机构
引用论文
Applying deep reinforcement learning to active flow control in weakly turbulent conditions.png)
PHYSICS OF FLUIDS
OAAI
PHYSICS OF FLUIDSIF4.3
OAAI分享收藏Multi-objective optimization framework for deepwater riser jetting installation parameters using deep reinforcement learning基于深度强化学习的深水立管喷射安装参数多目标优化框架
PREAI
分享收藏A novel hybrid neural network of fluid-structure interaction prediction for two cylinders in tandem arrangement一种新型的混合神经网络，用于串联布置的两个圆柱体的流固耦合预测OAAI
OAAI分享收藏Deep reinforcement learning-based active flow control of vortex-induced vibration of a square cylinderPHYSICS OF FLUIDS
PHYSICS OF FLUIDSIF4.3
PREAI
分享收藏Invariant control strategies for active flow control using graph neural networks基于图神经网络的活动流动控制的恒定控制策略OAAI
OAAI分享收藏Deep Reinforcement Learning for Flow Control Exploits Different Physics for Increasing Reynolds Number RegimesActuatorsOAAI
ActuatorsIF0
OAAI分享收藏
查看更多内容