論文の概要: Deep Reinforcement Learning in Action: Real-Time Control of Vortex-Induced Vibrations

• arxiv url: http://arxiv.org/abs/2509.24556v1
• Date: Mon, 29 Sep 2025 10:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.915211
• Title: Deep Reinforcement Learning in Action: Real-Time Control of Vortex-Induced Vibrations
• Title（参考訳）: 動作中の深部強化学習:渦誘起振動のリアルタイム制御
• Authors: Hussam Sababha, Bernat Font, Mohammed Daqaq,
• Abstract要約: 本研究では,回転アクチュエータを用いた高レイノルズ数(Re = 3000)の円柱内渦誘起振動(VIV)のアクティブフロー制御(AFC)のための深部強化学習(DRL)の実験的展開を示す。 実世界の実験におけるDRLの適応性と,アクチュエーションラグなどの機器的限界を克服する能力を示す。
• 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 study showcases an experimental deployment of deep reinforcement learning (DRL) for active flow control (AFC) of vortex-induced vibrations (VIV) in a circular cylinder at a high Reynolds number (Re = 3000) using rotary actuation. Departing from prior work that relied on low-Reynolds-number numerical simulations, this research demonstrates real-time control in a challenging experimental setting, successfully addressing practical constraints such as actuator delay. When the learning algorithm is provided with state feedback alone (displacement and velocity of the oscillating cylinder), the DRL agent learns a low-frequency rotary control strategy that achieves up to 80% vibration suppression which leverages the traditional lock-on phenomenon. While this level of suppression is significant, it remains below the performance achieved using high-frequency rotary actuation. The reduction in performance is attributed to actuation delays and can be mitigated by augmenting the learning algorithm with past control actions. This enables the agent to learn a high-frequency rotary control strategy that effectively modifies vortex shedding and achieves over 95% vibration attenuation. These results demonstrate the adaptability of DRL for AFC in real-world experiments and its ability to overcome instrumental limitations such as actuation lag.
• Abstract（参考訳）: 本研究では,回転アクチュエータを用いた高レイノルズ数(Re = 3000)の円柱内渦誘起振動(VIV)のアクティブフロー制御(AFC)のための深部強化学習(DRL)の実験的展開を示す。 本研究は,低レイノルズ数数値シミュレーションに依存する先行研究とは別に,実時間制御を困難な実験環境で実証し,アクチュエータの遅延などの現実的な制約に対処することに成功した。 学習アルゴリズムに状態フィードバック(発振シリンダの変位と速度)のみを設けると、DRLエージェントは、従来のロックオン現象を利用した最大80%の振動抑制を実現する低周波回転制御戦略を学習する。 このレベルの抑制は重要であるが、高周波回転アクチュエータによる性能よりも低い。 性能の低下はアクティベーション遅延によるものであり、過去の制御動作で学習アルゴリズムを増強することで緩和することができる。 これにより、ボルテックスシーディングを効果的に調整し、95%以上の振動減衰を実現する高周波回転制御戦略を学習することができる。 これらの結果は,実世界の実験におけるDRLの適用性と,アクティベーションラグなどの機器的限界を克服する能力を示している。

関連論文リスト

• Improving Action Smoothness for a Cascaded Online Learning Flight Control System [7.871518182413388]
  制御動作の振幅と周波数を減少させるために,オンライン時空間滑らか化手法と低域通過フィルタを導入する。 シミュレーションの結果,2つの手法による改善が示された。
  論文  参考訳（メタデータ） (2025-07-06T11:19:34Z)
• Real Time Control of Tandem-Wing Experimental Platform Using Concerto Reinforcement Learning [0.0]
  本稿では,DDTWEP(Direct-Drive Tandem-Wing Experimental Platform)のリアルタイム制御性能向上を目的とした改良強化学習法であるCRL2RTアルゴリズムを提案する。 その結果,CRL2RTは標準CPUで2500Hzを超える制御周波数を実現することがわかった。
  論文  参考訳（メタデータ） (2025-02-08T03:46:40Z)
• ResFlow: Fine-tuning Residual Optical Flow for Event-based High Temporal Resolution Motion Estimation [50.80115710105251]
  イベントカメラは、高時間分解能(HTR)モーション推定に重要な可能性を秘めている。 イベントデータを用いてHTR光流を推定するための残差に基づくパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-12-12T09:35:47Z)
• Model-free reinforcement learning with noisy actions for automated experimental control in optics [2.3003734964536524]
  我々は、光ファイバーにレーザー光を結合させることで、強化学習が課題を克服できることを示した。 特に、CrossQエージェントは、トレーニング時間の半分しか必要とせず、結合速度で他のエージェントよりも優れています。 我々の結果は、光学における問題に対処するRLの可能性を実証し、より複雑な応用への道を開いた。
  論文  参考訳（メタデータ） (2024-05-24T10:36:23Z)
• 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)
• Real-Time Vibration-Based Bearing Fault Diagnosis Under Time-Varying Speed Conditions [15.613528945524791]
  本稿では,複数障害の診断に有効なリアルタイム畳み込みニューラルネットワーク(CNN)を提案する。 本研究では, 内輪, 外輪, ローラーボール断層に係わる健全な軸受および軸受について実験を行った。
  論文  参考訳（メタデータ） (2023-11-30T13:30:00Z)
• Butterfly Effects of SGD Noise: Error Amplification in Behavior Cloning and Autoregression [70.78523583702209]
  深層ニューラルネットワークを用いた行動クローニングの訓練不安定性について検討した。 トレーニング中のSGD更新の最小化は,長期的報奨の急激な振動をもたらすことが観察された。
  論文  参考訳（メタデータ） (2023-10-17T17:39:40Z)
• Real-Time Model-Free Deep Reinforcement Learning for Force Control of a Series Elastic Actuator [56.11574814802912]
  最先端のロボットアプリケーションは、歩行、揚力、操作などの複雑なタスクを達成するために、閉ループ力制御を備えた連続弾性アクチュエータ(SEAs)を使用する。 モデルフリーPID制御法はSEAの非線形性により不安定になりやすい。 深層強化学習は連続制御タスクに有効なモデルレス手法であることが証明されている。
  論文  参考訳（メタデータ） (2023-04-11T00:51:47Z)
• Accelerated Policy Learning with Parallel Differentiable Simulation [59.665651562534755]
  微分可能シミュレータと新しいポリシー学習アルゴリズム(SHAC)を提案する。 本アルゴリズムは,スムーズな批判機能により局所最小化の問題を軽減する。 現状のRLと微分可能なシミュレーションベースアルゴリズムと比較して,サンプル効率と壁面時間を大幅に改善した。
  論文  参考訳（メタデータ） (2022-04-14T17:46:26Z)
• Noise prediction and reduction of single electron spin by deep-learning-enhanced feedforward control [26.13935769245144]
  ダイヤモンドベースのナノスケールセンシングの応用において、ノイズ誘起制御不完全性は重要な問題である。 本稿では,ノイズの傾向を予測し,遅延を補償することにより,この制約を緩和するディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-01-16T09:19:18Z)

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。