論文の概要: Active Control of Turbulent Airfoil Flows Using Adjoint-based Deep Learning

• arxiv url: http://arxiv.org/abs/2510.07106v1
• Date: Wed, 08 Oct 2025 14:59:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.579576
• Title: Active Control of Turbulent Airfoil Flows Using Adjoint-based Deep Learning
• Title（参考訳）: 随伴型深層学習による乱流翼流れのアクティブ制御
• Authors: Xuemin Liu, Tom Hickling, Jonathan F. MacArt,
• Abstract要約: 我々は,レイノルズ数104$およびマッハ数0.4における乱流気流の昇降ドラッグ比を最適化するために,アクティブニューラルネットワークフローコントローラを訓練する。 トレーニングされたフローコントローラは、リフト・アンド・ドラッグ比を著しく改善し、2次元および3次元の気流の分離を低減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We train active neural-network flow controllers using a deep learning PDE augmentation method to optimize lift-to-drag ratios in turbulent airfoil flows at Reynolds number $5\times10^4$ and Mach number 0.4. Direct numerical simulation and large eddy simulation are employed to model compressible, unconfined flow over two- and three-dimensional semi-infinite NACA 0012 airfoils at angles of attack $\alpha = 5^\circ$, $10^\circ$, and $15^\circ$. Control actions, implemented through a blowing/suction jet at a fixed location and geometry on the upper surface, are adaptively determined by a neural network that maps local pressure measurements to optimal jet total pressure, enabling a sensor-informed control policy that responds spatially and temporally to unsteady flow conditions. The sensitivities of the flow to the neural network parameters are computed using the adjoint Navier-Stokes equations, which we construct using automatic differentiation applied to the flow solver. The trained flow controllers significantly improve the lift-to-drag ratios and reduce flow separation for both two- and three-dimensional airfoil flows, especially at $\alpha = 5^\circ$ and $10^\circ$. The 2D-trained models remain effective when applied out-of-sample to 3D flows, which demonstrates the robustness of the adjoint-trained control approach. The 3D-trained models capture the flow dynamics even more effectively, which leads to better energy efficiency and comparable performance for both adaptive (neural network) and offline (simplified, constant-pressure) controllers. These results underscore the effectiveness of this learning-based approach in improving aerodynamic performance.
• Abstract（参考訳）: 我々は,Reynoldsナンバー5\times10^4$およびMachナンバー0.4における乱流気流の昇降ドラッグ比を最適化するために,ディープラーニングPDE拡張法を用いて,アクティブなニューラルネットフローコントローラを訓練する。 2次元および3次元半無限NACA 0012気翼の直接数値シミュレーションと大規模渦流シミュレーションを用いて,攻撃角度が$\alpha = 5^\circ$,$10^\circ$,$15^\circ$をモデル化した。 一定位置の吹出しジェットと上面の幾何を通して実施される制御動作は、局所的な圧力測定を最適なジェットトータル圧力にマッピングするニューラルネットワークによって適応的に決定され、空間的かつ時間的に非定常流条件に応答するセンサインフォームド制御ポリシーが実現される。 ニューラルネットワークパラメータに対するフローの感度は,フローソルバに適用した自動微分を用いて構築した随伴Navier-Stokes方程式を用いて計算する。 トレーニングフローコントローラは,2次元および3次元気翼流,特に$\alpha = 5^\circ$および10^\circ$において,リフト・アンド・ドラッグ比を大幅に改善し,流量分離を低減する。 2次元学習モデルでは, 3次元フローに外サンプルを適用しても有効であり, 随伴学習による制御手法の堅牢性を示す。 3Dトレーニングされたモデルはフローダイナミクスをより効果的に捉え、適応型(神経ネットワーク)とオフライン型(単純化された定圧)の両方でエネルギー効率と同等の性能をもたらす。 これらの結果は,空力性能向上におけるこの学習に基づくアプローチの有効性を裏付けるものである。

関連論文リスト

• Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
  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。
  論文  参考訳（メタデータ） (2025-10-03T00:18:26Z)
• DiffusionNFT: Online Diffusion Reinforcement with Forward Process [99.94852379720153]
  Diffusion Negative-aware FineTuning (DiffusionNFT) は、フローマッチングを通じて前方プロセス上で直接拡散モデルを最適化する新しいオンラインRLパラダイムである。 DiffusionNFTは、CFGフリーのFlowGRPOよりも25倍効率が高い。
  論文  参考訳（メタデータ） (2025-09-19T16:09:33Z)
• 3D Neural Operator-Based Flow Surrogates around 3D geometries: Signed Distance Functions and Derivative Constraints [3.100300350494905]
  高忠実度3次元流れシミュレーションの計算コストは依然として大きな課題である。 我々は、符号付き距離関数(SDF)を介して幾何学情報を組み込んだ変種であるDeepONet(DeepONet)とGeometric-DeepONet(Geometric-DeepONet)を評価する。 その結果,Geometric-DeepONetは標準のDeepONetに比べて境界層精度を最大32%向上することがわかった。
  論文  参考訳（メタデータ） (2025-03-21T16:40:48Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• 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)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• 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)
• Combined space-time reduced-order model with 3D deep convolution for extrapolating fluid dynamics [4.984601297028257]
  近年,深層学習に基づく低次モデルがシミュレーションに有効であることが示されている。 本研究では,ネットワークアーキテクチャを改良し,空間物理学を暗黙のバイアスとして統合することにより,外挿性能の向上を目指す。 3次元畳み込みネットワークの有効性を実証するために, 円柱を過ぎる流れの層流条件におけるベンチマーク問題を考察した。
  論文  参考訳（メタデータ） (2022-11-01T07:14:07Z)
• A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media [1.4050836886292868]
  物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。 モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。 このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
  論文  参考訳（メタデータ） (2021-04-30T02:15:01Z)

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。