論文の概要: Shocks Under Control: Taming Transonic Compressible Flow over an RAE2822 Airfoil with Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2511.07564v1
• Date: Wed, 12 Nov 2025 01:03:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.385552
• Title: Shocks Under Control: Taming Transonic Compressible Flow over an RAE2822 Airfoil with Deep Reinforcement Learning
• Title（参考訳）: RAE2822の深部強化学習による超音速圧縮性流れの制御
• Authors: Trishit Mondal, Ricardo Vinuesa, Ameya D. Jagtap,
• Abstract要約: Re = 50,000における2次元RAE2822翼の流動制御について, 深部強化学習(DRL)を用いて検討した。 流れ場は、複雑な衝撃境界層相互作用、衝撃発振、後縁からのクッタ波の発生など、非常に不安定なダイナミクスを示す。 DRLをベースとした制御は、ドラッグの25.62%の減少と、大幅に196.30%の上昇を達成する。
• 参考スコア（独自算出の注目度）: 3.2481378205832794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active flow control of compressible transonic shock-boundary layer interactions over a two-dimensional RAE2822 airfoil at Re = 50,000 is investigated using deep reinforcement learning (DRL). The flow field exhibits highly unsteady dynamics, including complex shock-boundary layer interactions, shock oscillations, and the generation of Kutta waves from the trailing edge. A high-fidelity CFD solver, employing a fifth-order spectral discontinuous Galerkin scheme in space and a strong-stability-preserving Runge-Kutta (5,4) method in time, together with adaptive mesh refinement capability, is used to obtain the accurate flow field. Synthetic jet actuation is employed to manipulate these unsteady flow features, while the DRL agent autonomously discovers effective control strategies through direct interaction with high-fidelity compressible flow simulations. The trained controllers effectively mitigate shock-induced separation, suppress unsteady oscillations, and manipulate aerodynamic forces under transonic conditions. In the first set of experiments, aimed at both drag reduction and lift enhancement, the DRL-based control reduces the average drag coefficient by 13.78% and increases lift by 131.18%, thereby improving the lift-to-drag ratio by 121.52%, which underscores its potential for managing complex flow dynamics. In the second set, targeting drag reduction while maintaining lift, the DRL-based control achieves a 25.62% reduction in drag and a substantial 196.30% increase in lift, accompanied by markedly diminished oscillations. In this case, the lift-to-drag ratio improves by 220.26%.
• Abstract（参考訳）: Re = 50,000の2次元RAE2822翼上における圧縮性超音速衝撃-境界層相互作用のアクティブフロー制御について, 深部強化学習(DRL)を用いて検討した。 流れ場は、複雑な衝撃境界層相互作用、衝撃発振、後縁からのクッタ波の発生など、非常に不安定なダイナミクスを示す。 5階のスペクトル不連続ガレルキンスキームと強安定保存ランゲ・クッタ(5,4)法を併用した高忠実CFDソルバを用いて,高精度な流れ場を得る。 合成ジェットアクチュエータはこれらの非定常流特性を操作するのに用いられ、DRLエージェントは高忠実性圧縮性流れシミュレーションと直接相互作用することで、効果的制御戦略を自律的に発見する。 訓練された制御装置は、衝撃によって引き起こされる分離を効果的に軽減し、不安定な振動を抑制し、超音速条件下で空気力学的力を操作する。 ドラグ・リダクションとリフト・エンハンスメントの両方を目的とした最初の実験では、DRLベースの制御は平均ドラッグ係数を13.78%減らし、リフトを131.18%増し、リフト・トゥ・ドラグ比を121.52%改善し、複雑な流れのダイナミクスを管理する可能性を示している。 第2セットでは、リフトを維持しながらドラッグの低減を目標とし、DRLベースの制御はドラッグの25.62%の低減と、大幅に196.30%の昇降を実現し、発振は著しく減少する。 この場合、リフト・ツー・ドラッグ比は220.26%向上する。

関連論文リスト

• Active Control of Turbulent Airfoil Flows Using Adjoint-based Deep Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-08T14:59:29Z)
• 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)
• 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)
• 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)
• 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)
• Spectrum Breathing: Protecting Over-the-Air Federated Learning Against Interference [73.63024765499719]
  モバイルネットワークは、近隣のセルやジャマーからの干渉によって損なわれる可能性がある。 本稿では,帯域幅拡大を伴わない干渉を抑制するために,カスケード段階のプルーニングとスペクトル拡散を行うスペクトルブリーチングを提案する。 呼吸深度によって制御された勾配プルーニングと干渉誘発誤差の間には,性能的トレードオフが認められた。
  論文  参考訳（メタデータ） (2023-05-10T07:05:43Z)
• 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)

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。