論文の概要: Active flow control for three-dimensional cylinders through deep
reinforcement learning
- arxiv url: http://arxiv.org/abs/2309.02462v1
- Date: Mon, 4 Sep 2023 13:30:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 18:05:55.532495
- Title: Active flow control for three-dimensional cylinders through deep
reinforcement learning
- Title(参考訳): 深部強化学習による三次元シリンダのアクティブフロー制御
- Authors: Pol Su\'arez, Francisco Alc\'antara-\'Avila, Arnau Mir\'o, Jean
Rabault, Bernat Font, Oriol Lehmkuhl and R. Vinuesa
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents for the first time successful results of active flow
control with multiple independently controlled zero-net-mass-flux synthetic
jets. The jets are placed on a three-dimensional cylinder along its span with
the aim of reducing the drag coefficient. The method is based on a
deep-reinforcement-learning framework that couples a
computational-fluid-dynamics solver with an agent using the
proximal-policy-optimization algorithm. We implement a multi-agent
reinforcement-learning framework which offers numerous advantages: it exploits
local invariants, makes the control adaptable to different geometries,
facilitates transfer learning and cross-application of agents and results in
significant training speedup. In this contribution we report significant drag
reduction after applying the DRL-based control in three different
configurations of the problem.
- Abstract(参考訳): 本稿では, 個別に制御された0-net-mass-flux合成ジェットを用いたアクティブフロー制御を初めて成功させた。
ジェットはそのスパンに沿って三次元シリンダ上に配置され、抗力係数を低減させる。
計算流体力学解法を近位法最適化アルゴリズムを用いたエージェントと結合する深層強化学習フレームワークに基づいている。
局所不変量を活用したマルチエージェント強化学習フレームワークを実装し,異なるジオメトリに適応し,トランスファー学習やエージェントのクロスアプリケーションを容易にすることで,大幅なトレーニングスピードアップを実現している。
本報告では,DRLに基づく制御を3つの異なる構成で適用し,大幅なドラッグ低減を図った。
関連論文リスト
- Towards Active Flow Control Strategies Through Deep Reinforcement Learning [0.0]
本稿では,空気力学的物体の抵抗を低減するために,アクティブフロー制御(AFC)のための深層強化学習フレームワークを提案する。
Re = 100で3Dシリンダーで試験され、DRLアプローチは9.32%のドラッグ低減と78.4%のリフト発振を達成した。
論文 参考訳(メタデータ) (2024-11-08T12:49:24Z) - Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。
本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。
我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
論文 参考訳(メタデータ) (2024-04-05T17:58:37Z) - 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) - Lyapunov Function Consistent Adaptive Network Signal Control with Back
Pressure and Reinforcement Learning [9.797994846439527]
本研究では、それぞれ特定のリャプノフ関数を定義するリアプノフ制御理論を用いた統一的なフレームワークを提案する。
Lyapunov理論の知見に基づいて、この研究は強化学習(Reinforcement Learning, RL)に基づくネットワーク信号制御のための報酬関数を設計する。
提案アルゴリズムは, 純旅客車流および貨物を含む異種交通流下での従来のRL法およびRL法と比較した。
論文 参考訳(メタデータ) (2022-10-06T00:22:02Z) - Unified Automatic Control of Vehicular Systems with Reinforcement
Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。
最小限の手動設計で高性能な制御戦略を発見する。
この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文 参考訳(メタデータ) (2022-07-30T16:23:45Z) - Comparative analysis of machine learning methods for active flow control [60.53767050487434]
遺伝的プログラミング(GP)と強化学習(RL)はフロー制御において人気を集めている。
この研究は2つの比較分析を行い、地球規模の最適化手法に対して最も代表的なアルゴリズムのいくつかをベンチマークする。
論文 参考訳(メタデータ) (2022-02-23T18:11:19Z) - Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
本稿では, 音素の効率的な微分可能シミュレーション法を提案する。
これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。
提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
論文 参考訳(メタデータ) (2021-09-16T04:48:13Z) - Multi-Agent Reinforcement Learning in NOMA-aided UAV Networks for
Cellular Offloading [59.32570888309133]
複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案
非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。
相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
論文 参考訳(メタデータ) (2020-10-18T20:22:05Z) - Single-step deep reinforcement learning for open-loop control of laminar
and turbulent flows [0.0]
本研究は,流体力学系の最適化と制御を支援するための深部強化学習(DRL)技術の能力を評価する。
原型ポリシー最適化(PPO)アルゴリズムの新たな"退化"バージョンを組み合わせることで、学習エピソード当たり1回だけシステムを最適化するニューラルネットワークをトレーニングする。
論文 参考訳(メタデータ) (2020-06-04T16:11:26Z) - Discrete Action On-Policy Learning with Action-Value Critic [72.20609919995086]
離散的な行動空間における強化学習(RL)は、実世界の応用では至るところで行われているが、その複雑さは行動空間次元とともに指数関数的に増大する。
我々は,行動値関数を推定し,相関行動に適用し,これらの評価値を組み合わせて勾配推定の分散を制御する。
これらの取り組みにより、分散制御技術に頼って、関連するRLアルゴリズムを実証的に上回る、新たな離散的なRLアルゴリズムが実現される。
論文 参考訳(メタデータ) (2020-02-10T04:23:09Z)
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。