Creation and implementation of an innovative flow control paradigm utilizing machine learning

点击翻译按钮获取中文摘要

様々な制御入力を含む２次元円柱周り流れのDNSデータにCNN-AEを適用することにより低次元潜在ベクトルを取得し、スパース回帰を用いてその支配方程式を導出し、最適制御理論を組み合わせることにより渦放出抑制の制御則を構築した。さらに、潜在空間での支配方程式が線形の常微分方程式となるような制約を課したネットワークであるLinear System Extracting Autoencoder (LEAE）を提案し、基本的な非線形方程式系の問題および円柱周り流れの制御に適用した。円柱周り流れの制御に用いるアクチュエータとしては円柱表面の2箇所に配置された吹出し／吸込みを仮定し、その吹出し／吸込み強度も含めてLEAEを用いた機械学習を行い、最適制御理論を適用することにより、最適フィードバック制御を含む潜在空間での線形支配方程式を得た。その結果、潜在変数の軌道を安定化させ、物理空間に逆写像した場においては渦放出を抑制できることが確認できた。CNN-AE以外の手法の調査としては、強化学習を用いて壁乱流の摩擦抵抗低減のための効果的な制御則の探索を行った。流れ場としては低レイノルズ数完全発達チャネル乱流を考え、そのDNSにおいて長期的な摩擦抵抗を減らすことを報酬とした強化学習を行った。センサ情報として壁垂直速度変動のみを用いた場合には、従来の制御則における最適な重みを再現することが確かめられた。一方、非線形ネットワークを使用した場合には、瞬時の主流方向および壁垂直方向速度変動に基づくより複雑な制御戦略が得られた。具体的には、壁に向かう高速流体の下降と壁から離れた低速流体の上昇のそれぞれに対して強い吹出しと吸込みで急激に切り替わるような制御戦略であり、これにより従来の制御則によって達成された23%よりも高い37%という高い抵抗低減率の達成が確かめられた。