抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
開放空洞流実験を,その元の変動レベルの1%に安定化させた。初めて,マルチモーダルフィードバック制御をこの構成のために自動的に学習した。キープロバイダは,勾配強化機械学習制御(Cornejo Maceda et al.2021,gMLC)と名付けた,勾配降下アルゴリズムによって拡張された機械学習による制御則の自動in situ最適化である。gMLCはMLC(Durizet et al.2017,MLC)よりも1桁速く学習することが示された。フィードバック機構の物理的解釈は,流れ動力学と対応する作動コマンドに対する新しいクラスタベースの制御則可視化によって支援される。制御実験の出発点は2つの非強制開放空洞ベンチマーク構成である:単一主周波数を有する狭帯域幅領域および2つの周波数が競合するモードスイッチング領域である。フィードバック制御は,前縁に位置するDBDアクチュエータを指令する。流れは後縁上の下流熱線センサによってモニターされる。フィードバック則を,モニターされた変動レベルに関して最適化した。参照として,混合層の自己振動は定常作動で軽減される。次に,フィードバックコントローラをgMLCで最適化した。予期されたように,フィードバック制御は,より良い振幅低減とかなり小さな作動電力の両方を達成し,同様に効果的な定常強制に必要な作動エネルギーの約1%を達成すれば,安定した作動を凌駕する。興味深いことに,1つの領域に対して学習された最適化則は,他の未試験領域に対しても良好に機能した。提案した制御戦略は多くの他のせん断流実験に適用できると期待される。【JST・京大機械翻訳】