少数センサフィードバックと測定雑音による機械学習フロー制御【JST・京大機械翻訳】

Castellanos R.; Maceda G. Y. Cornejo; de la Fuente I.; Noack B. R.; Ianiro A.; Discetti S.

プレプリント

J-GLOBAL ID：202202214576576778 整理番号：22P0295297

少数センサフィードバックと測定雑音による機械学習フロー制御【JST・京大機械翻訳】

Machine learning flow control with few sensor feedback and measurement noise

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (6件)： , , , , ,
資料名：
発行年： 2022年02月25日プレプリントサーバーでの情報更新日： 2022年04月21日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

アクティブフロー制御のための機械学習(ML)法の比較評価を行った。選択したベンチマーク問題は,低Reynolds数(Re=100)で円柱を過ぎる2次元K’腕’an渦列の抗力低減である。流れはシリンダの上部と下部の2つの吹出/吸引アクチュエータで操作される。フィードバックはいくつかの速度センサを使用する。2つのプローブ構成を評価した:円筒周りの異なる点と後流に位置する5と11の速度プローブ。制御法則は,深い強化学習(DRL)と線形遺伝的プログラミング制御(LGPC)によって最適化した。非定常後流との相互作用により,両方法は,作動に対して小さな質量流量を用いて,渦通路を安定化し,抗力を効果的に低減できた。DRLは,可変初期条件とセンサデータのノイズ汚染に関してより高いロバスト性を示した。一方,LGPCは小型で解釈可能な制御則を同定でき,センサの部分集合のみを使用するだけで,システムの複雑さを合理的に良好な結果で低減できる。本研究では,異なるアプローチの望ましい特徴を組み合わせた将来の機械学習制御の方向性を指摘した。【JST・京大機械翻訳】

, , , , , , , , , , , , , ,

物体の周りの流れ

, ,

前のページに戻る