Fugu-MT 論文翻訳(概要): Active Control of Flow over Rotating Cylinder by Multiple Jets using Deep Reinforcement Learning

論文の概要: Active Control of Flow over Rotating Cylinder by Multiple Jets using Deep Reinforcement Learning

arxiv url: http://arxiv.org/abs/2307.12083v1
Date: Sat, 22 Jul 2023 14:15:29 GMT
ステータス: 処理完了
システム内更新日: 2023-07-25 18:09:42.316380
Title: Active Control of Flow over Rotating Cylinder by Multiple Jets using Deep Reinforcement Learning
Title（参考訳）: 深層強化学習による複数噴流による回転シリンダ上の流れのアクティブ制御
Authors: Kamyar Dobakhti, Jafar Ghazanfarian
Abstract要約: 深部強化学習(DRL)アルゴリズムは複数の制御ジェットを用いて最大抗力抑制を行う。ジェット機の数と位置、センサーの位置、最大流量の最適化に注力する。回転をDRLツールと組み合わせることで,渦シーディングを抑え,カルマン渦路を安定化し,ドラッグ係数を最大49.75%低減できることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The real power of artificial intelligence appears in reinforcement learning, which is computationally and physically more sophisticated due to its dynamic nature. Rotation and injection have been a proven way of active flow control to reduce the drag force exerted on blunt bodies. Rotation will be added to the cylinder alongside the deep reinforcement learning (DRL) algorithm, which uses multiple controlled jets to reach maximum possible drag suppression. Characteristics of the DRL code, including controlling parameters, their limitations, and optimization of the DRL network for use with rotation will be presented. This work will focus on optimizing the number and positions of the jets, sensors location, and maximum allowed flow rate to jets in the form of maximum allowed flow rate of each actuation and the total number of them per episode. It is found that combining the rotation with the DRL tools is promising, since it suppresses the vortex shedding, stabilizes the Karman vortex street, and reduces the drag coefficient by up to 49.75%. Also, it will be showed that having more sensors at more locations is not always a good choice and the sensor number and location should be determined based on the need of the user and corresponding configuration. Also, allowing the agent to have access to higher flow rates, mostly reduces the performance, except when the cylinder rotates. In all cases, the agent can keep the lift coefficient at a value near zero, or stabilize it at a smaller number.
Abstract（参考訳）: 人工知能の真のパワーは強化学習に現れ、その動的性質から計算と物理的により洗練されたものである。回転と噴射は、鈍体に作用する抗力を減らすためのアクティブフロー制御の方法として証明されている。深部強化学習(DRL)アルゴリズムと共にシリンダーに回転を追加し、複数の制御ジェットを用いて最大抗力抑制を行う。 DRL符号の特徴として,パラメータの制御,制限,回転を考慮したDRLネットワークの最適化について述べる。この研究は、ジェット機の数と位置、センサーの位置、ジェットへの最大許容流量を、各アクチュエーションの最大許容流量と各エピソードの合計数という形で最適化することに焦点を当てる。回転をDRLツールと組み合わせることで,渦シーディングを抑え,カルマン渦路を安定化し,ドラッグ係数を最大49.75%低減できることがわかった。また、より多くの場所にセンサを配置することは必ずしも良い選択ではなく、ユーザのニーズと対応する構成に基づいてセンサ番号と位置を決定する必要があることも示します。また、シリンダーが回転する場合を除き、エージェントがより高い流量にアクセスできるようにすることで性能が低下する。いずれの場合も、エージェントはリフト係数を0に近い値に維持したり、より小さい数値で安定化することができる。

関連論文リスト

IntLoRA: Integral Low-rank Adaptation of Quantized Diffusion Models [68.55148272295916]
IntLoRAを提案し、整数型(INT)低ランクパラメータを用いて効率限界を押し上げ、量子化拡散モデルに適応させる。 IntLoRAには3つの大きな利点がある: (i) 微調整の場合、事前トレーニングされた重みは量子化され、メモリ使用量が減少する (ii) ストレージの場合、事前トレーニングされた重みと低ランクの重みの両方が、ディスクスペースを少なく消費するINT内にある; (iii) 推論の場合、IntLoRA重みは、効率的な整数乗算やビットシフトによって自然に量子化された事前トレーニングされた重みにマージできる。
論文参考訳（メタデータ） (2024-10-29T05:50:17Z)
Motion-adaptive Separable Collaborative Filters for Blind Motion Deblurring [71.60457491155451]
様々な動きによって生じる画像のぼかしを除去することは、難しい問題である。本研究では,動き適応型分離型協調フィルタと呼ばれる実世界のデブロアリングフィルタモデルを提案する。本手法は,実世界の動きのぼかし除去に有効な解法を提供し,最先端の性能を実現する。
論文参考訳（メタデータ） (2024-04-19T19:44:24Z)
Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文参考訳（メタデータ） (2024-04-17T02:04:10Z)
Run LoRA Run: Faster and Lighter LoRA Implementations [50.347242693025336]
LoRAは、線形層に低ランクアダプタを導入することにより、ニューラルネットワーク内のトレーニング可能なパラメータの数を減らすテクニックである。本稿では,LoRAの効率的な実装のためのRunLoRAフレームワークを提案する。実験は、言語モデリングネットワーク上で最大28%のスピードアップを示す。
論文参考訳（メタデータ） (2023-12-06T10:54:34Z)
Reaching the Limit in Autonomous Racing: Optimal Control versus Reinforcement Learning [66.10854214036605]
ロボット工学における中心的な問題は、アジャイルなモバイルロボットの制御システムをどうやって設計するかである。本稿では、強化学習(RL)で訓練されたニューラルネットワークコントローラが最適制御(OC)法より優れていることを示す。その結果、アジャイルドローンを最大性能に押し上げることができ、最大加速速度は重力加速度の12倍以上、ピーク速度は時速108kmに達しました。
論文参考訳（メタデータ） (2023-10-17T02:40:27Z)
Active flow control for three-dimensional cylinders through deep reinforcement learning [0.0]
本稿では,複数のゼロネット・マス・フラックス合成ジェットを用いたアクティブフロー制御の初回成功例を示す。ジェットは、ドラッグ係数を低減するために、そのスパンに沿って三次元のシリンダー上に配置される。この手法は,計算流体力学解法とエージェントを結合した深層強化学習フレームワークに基づいている。
論文参考訳（メタデータ） (2023-09-04T13:30:29Z)
Dynamic Feature-based Deep Reinforcement Learning for Flow Control of Circular Cylinder with Sparse Surface Pressure Sensing [6.330823385793404]
本研究では,低抵抗および低リフト変動に着目した閉ループシリンダーウェイク制御のための自己学習アルゴリズムを提案する。その結果、動的特徴ベースDRL(DF-DRL)は、動的モデルなしで自動的に植物内のフィードバック制御を学習する。
論文参考訳（メタデータ） (2023-07-05T02:56:29Z)
Genetically-inspired convective heat transfer enhancement in a turbulent boundary layer [0.0]
平板上の乱流境界層(TBL)における対流熱伝達を人工知能を用いて促進する。アクチュエータは、フリーストリームに整列した6つのスロットジェットの集合である。制御法則は、未飽和のTBLと定常ジェットによる作動に関して最適化される。
論文参考訳（メタデータ） (2023-04-25T07:28:32Z)
How to Control Hydrodynamic Force on Fluidic Pinball via Deep Reinforcement Learning [3.1635451288803638]
流体ピンボールの流体力を制御するためのDRLに基づくリアルタイムフィードバック戦略を提案する。報酬関数を適切に設計し、歴史的観測を符号化することにより、DRLに基づく制御が合理的かつ有効な制御決定を行うことを示した。これらの結果の1つは、力追跡プロセスの意思決定と物理的メカニズムに基づいて光を放つことができる機械学習モデルによって分析された。
論文参考訳（メタデータ） (2023-04-23T03:39:50Z)
An Embedded Feature Selection Framework for Control [2.126171264016785]
Dual-world Embedded Attentive Feature Selection (D-AFS) は、動的制御の下でシステムの最も関連性の高いセンサーを効率的に選択できる。 DRLの反応を2つの世界で分析することにより、D-AFSは各特徴のコントロールに対する重要性を定量的に識別することができる。その結果、D-AFSは18.7%のドラッグダウンで最適化された5プローブレイアウトをうまく見つけることができた。
論文参考訳（メタデータ） (2022-06-19T07:03:40Z)
FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文参考訳（メタデータ） (2021-03-08T03:09:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。