論文の概要: Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows

• arxiv url: http://arxiv.org/abs/2510.03360v1
• Date: Fri, 03 Oct 2025 00:18:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.928844
• Title: Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows
• Title（参考訳）: 乱流の抵抗低減のための物理インフォームニューラルネットワーク予測制御
• Authors: Zelin Zhao, Zongyi Li, Kimia Hassibi, Kamyar Azizzadenesheli, Junchi Yan, H. Jane Bae, Di Zhou, Anima Anandkumar,
• Abstract要約: 乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。 その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
• 参考スコア（独自算出の注目度）: 109.99020160824553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Assessing turbulence control effects for wall friction numerically is a significant challenge since it requires expensive simulations of turbulent fluid dynamics. We instead propose an efficient deep reinforcement learning (RL) framework for modeling and control of turbulent flows. It is model-based RL for predictive control (PC), where both the policy and the observer models for turbulence control are learned jointly using Physics Informed Neural Operators (PINO), which are discretization invariant and can capture fine scales in turbulent flows accurately. Our PINO-PC outperforms prior model-free reinforcement learning methods in various challenging scenarios where the flows are of high Reynolds numbers and unseen, i.e., not provided during model training. We find that PINO-PC achieves a drag reduction of 39.0\% under a bulk-velocity Reynolds number of 15,000, outperforming previous fluid control methods by more than 32\%.
• Abstract（参考訳）: 壁摩擦に対する乱流制御効果を数値的に評価することは、乱流力学の高価なシミュレーションを必要とするため重要な課題である。 その代わりに,乱流のモデリングと制御のための効率的な深部強化学習(RL)フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を、離散化不変で乱流の微細なスケールを正確に捉えることができる物理インフォームドニューラル演算子(PINO)を用いて、共同で学習する。 我々のPINO-PCは、レイノルズ数が多く、目に見えない様々な難題において、モデルなし強化学習法よりも優れている。 その結果, PINO-PC は, バルク速度レイノルズ数 15,000 で 39.0 % の抗力低下を達成し, 従来の流体制御法を 32 % 以上上回った。

関連論文リスト

• Model-Based Reinforcement Learning for Control of Strongly-Disturbed Unsteady Aerodynamic Flows [0.0]
  本稿では,モデルに基づく強化学習(MBRL)手法を提案する。 このモデルの精度とロバスト性は、非常に乱れた環境下での投球翼のシナリオで実証される。 乱れのない環境における垂直軸風力タービンへの適用をAppendixで論じる。
  論文  参考訳（メタデータ） (2024-08-26T23:21:44Z)
• SINDy-RL: Interpretable and Efficient Model-Based Reinforcement Learning [5.036739921794781]
  SINDy-RLは、SINDyとDRLを組み合わせて、ダイナミックスモデル、報酬関数、制御ポリシーの効率的、解釈可能、信頼性の高い表現を作成するためのフレームワークである。 本稿では,ベンチマーク制御環境とフロー制御問題に対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-14T05:17:39Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• 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)
• 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)
• Turbulence control in plane Couette flow using low-dimensional neural ODE-based models and deep reinforcement learning [0.0]
  DManD-RL (data-driven manifold dynamics-RL) は,データ駆動型低次元モデルを生成する。 我々はRL制御エージェントを訓練し、数値シミュレーションで440倍のスピードアップを達成した。 エージェントは900時間以内の未確認DNSテストトラジェクトリの84%をラミナライズするポリシーを学習する。
  論文  参考訳（メタデータ） (2023-01-28T05:47:10Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Interpretable Stochastic Model Predictive Control using Distributional Reinforced Estimation for Quadrotor Tracking Systems [0.8411385346896411]
  本研究では,動的・複雑環境下での自律的四角形ナビゲーションのためのトラジェクトリトラッカーを提案する。 提案フレームワークは,未知の空力効果に対する分散強化学習推定器をモデル予測制御器に統合する。 我々は,未知かつ多様な空気力を用いて,累積追従誤差を少なくとも66%改善するシステムを実証した。
  論文  参考訳（メタデータ） (2022-05-14T23:27:38Z)
• A Numerical Proof of Shell Model Turbulence Closure [41.94295877935867]
  本稿では, 統計誤差, ユーレリアおよびラグランジアン構造関数, エネルギーカスケードの断続統計を定量的に再現するディープリカレントニューラルネットワークに基づく閉包を提案する。 本研究は,3次元ナビエ-ストークス乱流に対する類似した手法の開発を奨励するものである。
  論文  参考訳（メタデータ） (2022-02-18T16:31:57Z)

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。